GraphERE: 基于图增强事件嵌入的多事件关系抽取
内容提要
本文介绍了多种事件抽取框架和方法，如JMEE、ProtoEM、PL-marker和JSEEGraph，强调了它们在事件关系提取中的有效性和性能提升。同时，研究构建了大规模数据集MAVEN-ERE，展示了联合学习在事件关系提取中的优势。
延伸解读
事件关系抽取的技术演进
从2018年的JMEE到2023年的ProtoEM、PL-marker和JSEEGraph，事件关系抽取方法不断演进。JMEE采用语法快捷弧和图卷积网络同时提取多个事件触发器和参数；ProtoEM通过原型表示联合提取多种事件关系；PL-marker基于超图神经网络进行高阶推理；JSEEGraph则利用意义表示解析处理嵌套结构。这些方法在各自任务上均显示出性能提升，反映了该领域从单一任务向联合建模、从简单结构向复杂图结构发展的趋势。
MAVEN-ERE数据集的规模与挑战
MAVEN-ERE是一个大规模人工标注的事件关系提取数据集，包含103,193个事件共指链、1,216,217个时间关系、57,992个因果关系和15,841个子事件关系，规模是现有数据集的十倍以上。实验表明，在该数据集上进行事件关系提取具有相当高的挑战性，而联合学习可以提高性能。这为事件关系抽取研究提供了更全面的基准，也提示未来模型需要更强的联合推理能力。
联合学习与多模态扩展
文章提到联合学习在事件关系提取中具有优势，例如在MAVEN-ERE上联合学习提高了性能。此外，研究还扩展到多模态领域，如联合多模态实体关系抽取任务，结合多模态命名实体识别和关系提取，使用增强边缘对齐的图形对齐网络来发现实体-实体和对象-对象关系之间的关联。这些工作表明，事件关系抽取正从单模态、单任务向多模态、多任务联合建模发展。
Q&A
JMEE框架的主要特点是什么？
JMEE框架采用语法快捷弧和图卷积网络建模，能够同时提取多个事件触发器和参数，具有竞争力的性能。
ProtoEM框架如何改进事件关系提取？
ProtoEM框架通过获取事件关系的原型表示，联合提取多种事件关系，实验结果显示显著改进。
PL-marker模型的创新之处是什么？
PL-marker模型基于超图神经网络，采用高召回修剪机制，显著提升了实体和关系抽取任务的性能。
JSEEGraph框架的处理方式是什么？
JSEEGraph框架采用意义表示解析处理事件抽取任务，能够编码实体和事件，并处理嵌套结构。
MAVEN-ERE数据集的规模和内容是什么？
MAVEN-ERE数据集包含103,193个事件共指链和超过120万的时间关系，是现有数据集的十倍以上。
联合学习在事件关系提取中的作用是什么？
联合学习在MAVEN-ERE数据集上提高了事件关系提取的性能，显示出其在处理复杂关系时的优势。
