一、简介
IJCNLP2017: Exploiting Document Level Information to Improve Event Detection via Recurrent Neural Networks
Author: Duan, Shaoyang and He, Ruifang and Zhao, Wenli
url: https://www.aclweb.org/anthology/I17-1036
DataSet: ACE2005 English Corpus
Keywords: DLRNN, Document information, Cross-sentence clues
二、动机
以往的工作主要存在两个问题：(1)传统的基于特征的方法应用了跨句信息，但需要花费大量的人力来设计复杂的特征集和推理规则；(2)基于表示的方法虽然克服了人工提取特征的问题，但仅依赖于局部语句表示。
三、创新
(1)证明了文档级信息对事件检测的重要性。(2)针对文档级线索，设计了一种文档级递归神经网络(DLRNN)事件检测模型，该模型能够自动学习句子以外的特征。(3)此外，为了解决一个触发词包含多个词的问题，我们引入了毕鲁标注方法。(4)在没有显式使用外部知识库和事件条件的情况下，对性能进行了改进，在ACE 2005数据集上取得了最好的性能。
四、方法
(I)单词嵌入，它包含每个单词的词典信息，并以无监督的方式从外部语料库训练；(Ii)文档向量，揭示文档的主题，以无监督机制训练；(i-ii)双向递归神经网络编码，它可以学习候选触发器的历史和未来主动表示；(Iv)触发预测，它计算每个事件子类型候选的置信度得分。
五、实验
六、结论
本文提出了一种新的模型(DLRNN)，该模型通过连接词向量和文档向量来自动提取用于事件检测的跨句级线索。此外，使用BILOU编码来解决一个触发字包含多个字的问题。为了证明该方法的有效性，在ACE2005数据集上系统地进行了一系列实验。实验结果表明，该方法优于最新的跨句级特征模型和不使用论元信息和外部语料库的句子级表示模型，如Freebase和FrameNet(Li-u等人，2017)(Chen等人，2017)，这表明文档内和文档间上下文对于事件检测是有效的。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
