论文笔记 EMNLP 2019|HMEAE: Hierarchical Modular Event Argument Extraction_hmeae:hierarchical modular event argument extracti

1 简介

论文题目：HMEAE: Hierarchical Modular Event Argument Extraction
论文来源：EMNLP 2019
论文链接：https://aclanthology.org/D19-1584.pdf
代码链接：https://github.com/thunlp/HMEAE

1.1 动机

• 现有方法将参数角色视为相互独立，没有考虑到一些论元角色与其他论元角色是相似的。

1.2 创新

• 为每个论元角色分配上级概念(superordinate concepts)，如下图,通过建模多个上级概念(人工设计8个)，提高论元抽取的准确率。
  

2 方法

模型的整体框架如下图，主要分为下面三个部分：

1. Instance Encoder: 一个实例为一个n个词的序列 x = { w 1 , . . . , t , . . . , a , . . . , w n } x=\{w_1,...,t,...,a,...,w_n\} x={w1​,...,t,...,a,...,wn​}(其中t为触发词，a为候选论元)，分别使用bert或者cnn编码，然后进行动态多池化操作，公式如下：
   
   
2. Hierarchical Modular Attention: 此模块分为两部分，首先计算每个隐藏向量对每个上级概念的注意力分数(如下面第一行公式,$u_c$为可学习的向量，表示一个具体的上级概念c)，然后进行将注意力分数进行融合，再求出相应的向量(一个论元角色可能属于多个上级概念，如下面第二行公式)。

3. Argument Role Classifier: 将上述得到的向量与实例编码x进行拼接，然后进行论元角色分类，公式如下：
   
   目标函数为：
   

3 实验

实验数据集为ACE 2005和TAC KBP 2016(没有训练数据集，鼓励使用其他资源进行训练，本篇论文使用ACE 2005数据集训练)，对于进行bert编码，为了利用事件类型的信息，使用一个特殊的token表示事件类型，实验结果如下图：


Case Study: