论文笔记 ACL 2019|Rapid Customization for Event Extraction
文章目录
- 1 简介
- 1.1 创新
- 2 方法
- 2.1 新事件的触发词实例
- 2.2 模型
- 3 实验
- 3.1 触发词分类
- 3.2 论元分类
1 简介
论文题目:Rapid Customization for Event Extraction
论文来源:ACL 2019
论文链接:https://arxiv.org/pdf/1809.07783.pdf
1.1 创新
- 提出了一种快速收集新事件类型的事件触发示例的方法,仅使用少量人力。
- 展示了如何利用现有事件类型的注释来训练一个分类器,为新的事件类型提取事件论元。
- 将提出的方法做成一个系统。
2 方法
2.1 新事件的触发词实例
给定一个新的事件类型,人工提供一些有判别力的关键词,然后使用两种方法(词编码的cos相似性、WordNet中的下位词)扩展触发词。然后使用远程监督,在未标注的样本中找到共现的触发词样本。
2.2 模型
模型的整体框架如上图,输入包括词编码(Skip-gram)和位置特征,与DMCNN类型,由于无法为训练数据中未见的新事件类型标注事件类型,未使用事件类型特征。抽取任何事件类型的Actor(将ACE数据集中类似Actor类型的论元映射未Actor类型), Place, and Time。
3 实验
在Common Core Ontologies中选择67个事件类型(不在ACE和TAC-KBP数据集中),评测系统在新事件类型中的表现。
3.1 触发词分类
远程监督得到的样本数据统计如下图:
实验结果如下图,发现TdT_dTd的结果比ThT_hTh(筛选过的样本)还好,原因是TdT_dTd的样本数较多,当采样相同数量时TsT_sTs,ThT_hTh的结果较好。
3.2 论元分类
使用ACE数据集,预测Actor、Place、Time论元,使用gold触发词的实验结果如下图:
使用预测的触发词的实验结果如下图:
使用ThT_hTh和AmA_mAm模型在远程监督的测试集中,论元正确预测的准确率为79%。
论文笔记 ACL 2019|Rapid Customization for Event Extraction相关推荐
- 论文笔记 ACL 2019|Exploring Pre-trained Language Models for Event Extraction and Generation
文章目录 1 简介 1.1 动机 1.2 创新 3 抽取模型 3.1 触发词抽取 3.2 论元抽取 3.3 确定论元区间 3.4 重新加权loss 4 训练数据生成 4.1 预处理 4.2 事件生成 ...
- 【论文解读 ACL 2019 | PLMEE】Exploring Pre-trained Language Models for Event Extraction and Generation
论文题目:Exploring Pre-trained Language Models for Event Extraction and Generation 论文来源:ACL 2019 国防科技大学 ...
- 科学家王海峰:从百度十篇论文入选ACL 2019说起
http://hz.m.chinanews.com/wapapp/toutiao/business/2019/05-29/8850698.shtml 2019-05-29 17:13:09 中新网5月 ...
- 论文笔记 ISCC 2019|BGP Dataset Generation and Feature Extraction for Anomaly Detection
文章目录 1 简介 1.1 动机 1.2 创新 2 背景知识 3 方法 3.1 特征提取 3.2 数据集生成 3.3 流量行为趋势分析 3.3.1 Anomaly and regular traffi ...
- 论文阅读:A Survey of Textual Event Extraction from Social Networks 综述:从社交媒体中抽取文本事件
A Survey of Textual Event Extraction from Social Networks 综述:从社交媒体中抽取文本事件 目录 A Survey of Textual Eve ...
- 论文笔记 ACL 2021|Low-resource Event Detection with Ontology Embedding
文章目录 1 简介 1.2 创新 2 方法 2.1 Event Detection (Ontology Population) 2.2 Event Ontology Learning 2.3 Even ...
- 【论文笔记】2019 基于激光点云pole检测的重定位方法 Long-Term Urban Vehicle Localization Using Pole Landmarks
https://github.com/acschaefer/polex 本文提出了一个基于激光三维点云的二维车辆定位系统,其根据道路场景中的 "pole landmarks" (极 ...
- [论文笔记] WACV 2019《Photo-Sketching:Inferring Contour Drawings from Images》
今天是端午佳节,先祝各位读者端午安康!! 目录 主要贡献 实现方法 边缘检测重建方法的缺点 MM-loss 总损失函数
- 论文浅尝 | Zero-Shot Transfer Learning for Event Extraction
事件抽取的目标是在非结构化的文本中确认事件的触发词(Eventtrigger)和参与者(Event argument),并判断触法词的事件类型(Eventtype),判断参与者在事件中的扮演的角色(A ...
最新文章
- C#中组件与控件的主要区别是什么?
- linux route命令的使用详解(转)
- 细丝极恐的华为251事件
- xp电脑怎么取消开机密码
- or函数 java_Java OptionalInt orElseGet()用法及代码示例
- 以后装个云集群和云节点啥的太简单了(ubuntu)
- EA(Enterprise Architecture,企业架构)
- Code-NFine:NFine介绍
- Excel单元格设灰色及锁定
- markdown 语法大全
- 埃尔米特插值c语言编程,131张艳-埃尔米特(Hermite)插值逼近的C语言程序.doc
- 记录一次redis莫名其妙丢失token的解决方案
- 一个承载无数悲痛的网站
- 小程序突然报module is not defined_蔬菜“英文”小故事(九)
- 计算机磁盘的卷是什么意思,新加卷和本地磁盘有什么区别
- 分式化简 设计算法 c语言,化简分式(对小数有用)
- selenium实现动态网页爬取
- 在线详情页设计,素材免扣直接用!
- 优脍国际集团旗下株肉Z-Rou Meat品牌与威定海鲜IS Seafood签订分销协议
- 生产质量管理系统有哪些功能?