典型文献
基于实体画像增强网络的事件检测方法
文献摘要：
事件检测任务旨在从非结构化的文本中自动识别并分类事件触发词.挖掘和表示实体的属性特征(即实体画像)有助于事件检测,其基本原理在于"实体本身的属性往往暗示了其参与的事件类型"(例如,"警察"往往参与"Arrest-Jail"类的事件).现有研究已利用编码信息实现实体表示,并借此优化事件检测模型.然而,其表示学习过程仅仅纳入局部的句子级语境信息,使得实体画像的信息覆盖率偏低.为此,该文提出基于全局信息和实体交互信息的画像增强方法,其借助图注意力神经网络,不仅在文档级的语境范围内捕捉实体的高注意力背景信息,也同时纳入了局部相关实体的交互信息.特别地,该文开发了基于共现图的注意力遮蔽模型,用于降低噪声信息对实体表示学习过程的干扰.在此基础上,该文联合上述实体画像增强网络、BERT语义编码网络和GAT聚合网络,形成了总体的事件检测模型.该文在通用数据集ACE 2005上进行实验,结果表明实体画像增强方法能够进一步优化事件检测的性能,在触发词分类任务上的F1值达到76.2％,较基线模型提升了2.2％.
文献关键词：
事件检测;实体特征;全局语义;图注意力网络
中图分类号：
作者姓名：
李中秋;洪宇;王捷;周国栋
作者机构：
苏州大学 计算机科学与技术学院,江苏 苏州 215006
文献出处：
引用格式：
[1]李中秋;洪宇;王捷;周国栋-.基于实体画像增强网络的事件检测方法)[J].中文信息学报,2022(08):81-91
A类：
B类：
画像,事件检测,非结构化,自动识别,事件触发,触发词,属性特征,暗示,事件类型,警察,Arrest,Jail,编码信息,检测模型,表示学习,学习过程,句子级,全局信息,实体交互,交互信息,增强方法,注意力神经网络,文档级,背景信息,局部相关,遮蔽,低噪声,声信,文联,BERT,语义编码,编码网络,GAT,聚合网络,通用数据,ACE,分类任务,基线模型,实体特征,全局语义,图注意力网络
AB值：
0.460593
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
