事件抽取的零样本迁移学习
计算与语言
2017-07-05 v1
摘要
大多数以往的事件抽取研究严重依赖于从标注事件提及中导出的特征，因此若无标注工作则无法应用于新的事件类型。在本文中，我们重新审视事件抽取并将其建模为一个接地（grounding）问题。我们设计了一种可迁移的神经架构，利用结构化和组合式神经网络将事件提及和类型共同映射到一个共享语义空间中，其中每个事件提及的类型可由所有候选类型中最近的一个确定。通过利用 (1) 现有少量事件类型的手动标注以及 (2) 现有事件本体，我们的框架可应用于新事件类型而无需额外标注。在现有事件类型（如 ACE、ERE）和新事件类型（如 FrameNet）上的实验证明了该方法的有效性。在没有任何手动标注的情况下，我们的零样本框架在 23 个新事件类型上取得了与基于 500 个事件提及标注训练的 SOTA 监督模型相当的性能。
引用
@article{arxiv.1707.01066,
title = {Zero-Shot Transfer Learning for Event Extraction},
author = {Lifu Huang and Heng Ji and Kyunghyun Cho and Clare R. Voss},
journal= {arXiv preprint arXiv:1707.01066},
year = {2017}
}