論文の概要: Semantic Structure Enhanced Event Causality Identification
- arxiv url: http://arxiv.org/abs/2305.12792v1
- Date: Mon, 22 May 2023 07:42:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 17:39:05.378869
- Title: Semantic Structure Enhanced Event Causality Identification
- Title(参考訳): 意味構造強化イベント因果性同定
- Authors: Zhilei Hu, Zixuan Li, Xiaolong Jin, Long Bai, Saiping Guan, Jiafeng
Guo, Xueqi Cheng
- Abstract要約: 事象因果同定(ECI)は、非構造化テキスト中の事象間の因果関係を特定することを目的としている。
既存の方法は、イベント中心構造とイベント関連構造という、ECIタスクに不可欠な2種類の意味構造を過小評価する。
- 参考スコア(独自算出の注目度): 57.26259734944247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event Causality Identification (ECI) aims to identify causal relations
between events in unstructured texts. This is a very challenging task, because
causal relations are usually expressed by implicit associations between events.
Existing methods usually capture such associations by directly modeling the
texts with pre-trained language models, which underestimate two kinds of
semantic structures vital to the ECI task, namely, event-centric structure and
event-associated structure. The former includes important semantic elements
related to the events to describe them more precisely, while the latter
contains semantic paths between two events to provide possible supports for
ECI. In this paper, we study the implicit associations between events by
modeling the above explicit semantic structures, and propose a Semantic
Structure Integration model (SemSIn). It utilizes a GNN-based event aggregator
to integrate the event-centric structure information, and employs an LSTM-based
path aggregator to capture the event-associated structure information between
two events. Experimental results on three widely used datasets show that SemSIn
achieves significant improvements over baseline methods.
- Abstract(参考訳): 事象因果同定(ECI)は、非構造化テキスト中の事象間の因果関係を特定することを目的としている。
因果関係は通常、イベント間の暗黙の関連によって表現されるため、これは非常に難しいタスクです。
既存の手法は通常、テキストを事前学習された言語モデルと直接モデル化することでそのような関連を捉え、eciタスクに不可欠な2種類の意味構造、すなわちイベント中心構造とイベント関連構造を過小評価する。
前者はより正確に記述するためにイベントに関連する重要なセマンティック要素を含み、後者は2つのイベント間のセマンティックパスを含み、ECIのサポートを提供する。
本稿では、上記の明示的意味構造をモデル化し、イベント間の暗黙的関連を考察し、セマンティック構造統合モデル(SemSIn)を提案する。
GNNベースのイベントアグリゲータを使用してイベント中心の構造情報を統合し、LSTMベースのパスアグリゲータを使用して2つのイベント間のイベント関連構造情報をキャプチャする。
広く使用されている3つのデータセットの実験結果は、SemSInがベースラインメソッドよりも大幅に改善されていることを示している。
関連論文リスト
- Joint Event Extraction via Structural Semantic Matching [12.248124072173935]
イベント抽出(EE)は、情報抽出において不可欠なタスクの1つである。
本稿では,イベントタイプの意味的特徴を符号化し,対象テキストと構造的マッチングを行う。
論文 参考訳(メタデータ) (2023-06-06T07:42:39Z) - SPEECH: Structured Prediction with Energy-Based Event-Centric
Hyperspheres [60.79901400258962]
イベント中心の構造化予測では、イベントの構造化出力を予測する。
エネルギーベースイベント中心超球面(SPEECH)を用いた構造予測を提案する。
論文 参考訳(メタデータ) (2023-05-23T02:28:09Z) - Event Causality Extraction with Event Argument Correlations [13.403222002600558]
Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。
本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
論文 参考訳(メタデータ) (2023-01-27T09:48:31Z) - OneEE: A One-Stage Framework for Fast Overlapping and Nested Event
Extraction [40.353446897312196]
イベント抽出(EE)は、構造化されていないテキストから構造化されたイベント情報を抽出することを目的とした、情報抽出の重要なタスクである。
We design a simple yet effective tagging scheme and model to formulate EE as word-word relation recognition, called OneEE。
重なり合った3つのEEベンチマーク、すなわちFewFC、Genia11、Genia13の実験は、OneEEが最先端(SOTA)の結果を達成することを示している。
論文 参考訳(メタデータ) (2022-09-06T17:59:55Z) - Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。
我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
論文 参考訳(メタデータ) (2021-09-13T20:50:37Z) - Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。
具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。
我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
論文 参考訳(メタデータ) (2020-10-13T22:45:28Z) - Cross-Supervised Joint-Event-Extraction with Heterogeneous Information
Networks [61.950353376870154]
Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。
トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。
我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-10-13T11:51:17Z) - Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
本稿では,OED(Ongoing Event Detection)タスクを紹介する。
目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。
構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
論文 参考訳(メタデータ) (2020-07-02T20:44:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。