1 简介
论文题目：Document-level Event Extraction via Parallel Prediction Networks
论文来源：ACL 2021
论文链接：https://aclanthology.org/2021.acl-long.492.pdf
代码链接：https://github.com/HangYang-NLP/DE-PPN
1.1 创新
- 提出一个编码-解码模型进行文档级事件抽取，分别基于文档级别的编码和多粒度的解码。
- 介绍一种匹配损失函数用于训练端到端模型，它可以加强全局优化。
2 方法
模型的整体框架如上图所示，分为下面5部分。
- 候选论元识别：首先使用第一个Transformer对句子进行编码，然后以序列标注的形式进行句子级的候选论元识别。
- 文档级别编码：实现对候选论元和句子编码进行max-pooling，然后经过第二个Transformer建模全部的句子和论元之间的关系(句子的编码中加入位置编码)。然后对
H
s
H^s
Hs进行max-pooling操作，在对每个事件类型进行二分类，进行事件类型分类。
- 多粒度解码：多粒度的编码器包括三个部分：事件编码器、角色编码器、事件-角色编码器。
在事件编码器中设置m为生成事件的数量(大于文档中的平均数量)，其中 Q e v e n t Q^{event} Qevent为事件query。
在角色编码器中设置n为角色类型的数量(大于文档中的平均数量)，其中 Q r o l e Q^{role} Qrole为角色query。
在事件-角色编码器中，建模事件查询和论元查询的关系。
- 事件预测：使用下面公式过滤虚假的事件，进行二分类(非空，空)。
使用下面公式对论元进行分类( N a ′ + 1 N'_a+1 Na′?+1分类)，
得到m个事件 Y ^ = ( Y ^ 1 , Y ^ 2 , . . . . , Y ^ m ) \widehat{Y} =(\widehat{Y}_1,\widehat{Y}_2,....,\widehat{Y}_m) Y =(Y 1?,Y 2?,....,Y m?)，其中每个事件包含n个预测论元。 Y ^ i = ( P i 1 , P i 2 , . . . , P i n ) \widehat{Y}_i=(P_i^1,P_i^2,...,P_i^n) Y i?=(Pi1?,Pi2?,...,Pin?)。 - 匹配loss函数：定义双向匹配的损失公式如下：
C m a t c h C_{match} Cmatch?公式如下，其中 j u d g e i judge_i judgei?为判断事件i是否为空，
则损失函数如下：
最终的损失函数如下(候选论元识别、事件类型分类)：
3 实验
数据集为ChFinAnn，实验结果如下图：
在不同发散程度的论元情况下的实验结果：
单事件和多事件实验结果：
消融实验的实验效果：
不同解码层数的实验效果：
不同事件生成数量的实验效果：
