BriefGPT - AI 论文速递
·
匹配联合学习：行业级生物医学事件抽取
内容提要
本文介绍了多种基于深度学习的事件抽取方法，如硬EM方法、图卷积网络和递归神经网络。这些方法在生物医学事件提取任务中表现优异，显著提升了F1得分，证明了其在触发器识别和参数提取方面的有效性。
关键要点
-
提出了一种基于隐含变量的硬 EM 方法，联合进行生物医学实体链接和事件抽取，实验结果优于强基线模型。
-
基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，增强句子中嵌套事件的抽取，F1 得分有显著提升。
-
利用递归神经网络和词语、实体类型嵌入提取高层特征，避免复杂手工特征，达到了最先进的 F1 得分。
-
提出 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧和基于注意力机制的图卷积网络，竞争性强。
-
基于深度学习共享隐藏表示的模型，联合预测实体提及、事件触发和参数，具有最先进的事件提取性能。
-
EventGraph 框架将事件编码为图形，解决事件提取问题，在参数提取方面有显著改善。
-
基于短依赖路径的关注图卷积网络框架，建模长距离依赖关系，达到了实质性改进。
-
使用事件类型和参数角色作为自然语言查询，提取候选触发器和参数，取得最先进的性能。
-
文档级神经事件关系抽取模型，使用事件模板，构建新的文档级事件抽取数据集 WikiEvents，表现良好。
-
无监督事件抽取流程，使用预训练语言模型，成功将大部分触发器和参数映射到正确类型。
延伸问答
什么是硬EM方法，它在生物医学事件抽取中的作用是什么？
硬EM方法是一种基于隐含变量的技术，用于联合生物医学实体链接和事件抽取，实验结果显示其在这两个任务上优于强基线模型。
Graph Edge-conditioned Attention Networks如何增强事件抽取的效果？
该方法结合领域知识，通过分层图表示增强句子中嵌套事件的抽取，显著提升F1得分。
递归神经网络在事件抽取中有什么优势？
递归神经网络能够提取高层特征，避免复杂的手工特征，从而在多层事件抽取任务中达到最先进的F1得分。
什么是Jointly Multiple Events Extraction (JMEE)框架，它的特点是什么？
JMEE框架采用语法快捷弧和基于注意力机制的图卷积网络，能够同时提取多个事件触发器和参数，具有竞争性强的表现。
EventGraph框架是如何解决事件提取问题的？
EventGraph将事件编码为图形，通过将触发事件和参数表示为节点，显著改善了参数提取效果。
无监督事件抽取流程的效果如何？
无监督事件抽取流程使用预训练语言模型，成功将83%的触发器和54%的参数映射到正确类型，表现出色。
