扫码关注”自然语言处理与算法”公众号，定期更新NLP知识，还可以撩博主哦~
该文来自EMNLP2020。
论文简介：
事件抽取一般需要检测事件触发器(event trigger) 并抽取其对应的参数。现有的事件参数抽取方法严重依赖于实体识别的结果，由此引入错误传播问题。为了避免这个问题，文章引入了一种新的事件抽取范式，将事件抽取描述为一个问答(QA)任务，以端到端方式抽取事件参数。实验结果表明，该文章框架在很大程度上优于以往的方法;另外，该框架的一个额外能力是支持零样本学习(zero-shot learning)，即使训练时没有看到角色也能够提取事件参数！
论文代码：https://github.com/xinyadu/eeqa
论文地址：https://arxiv.org/abs/2004.13625
; 1.方法
文章分析了以往事件抽取研究工作的缺陷：
（1） 过于依赖实体识别。以往的工作通常采用以下形式进行事件抽取：trigger detection → entity recognition → argument role assignment。这种处理方式会出现错误传播问题。
（2） 忽略了不同论元角色之间的语义相似性。例如，在ACE2005数据集中，CONFLICT->ATTACK事件和JUSTICE->EXECUTE事件中的论元角色均指human being (who) is affected by an action.（某人被袭击了）。论文指出，如果不考虑论元角色之间的相似性会给模型的识别效果造成影响，尤其是对少样本（few shot）数据而言。
该文提出了一个端到端模型，将事件抽取建模为问答/阅读理解任务。为触发词抽取和论元抽取均设置了问题模板（question templates），在具体处理时，将事件抽取作为一个两阶段的任务。第一阶段，利用预先设定的触发词问题模板，识别文本中的触发词；第二阶段，利用预先设定的论元抽取模板识别论元。触发词识别和事件论元抽取的输入均采用以下方式：
[CLS] question [SEP] sentence [SEP]
该文针对ACE2005数据集预先设定了4中触发词问题模板：
“what is the trigger”, “trigger”, “action”, “verb”
。在具体操作时，可能是随机选取的（文中未说明哪类触发词使用哪种模板，这里是博主猜测~）。
如果对于给定的样本选取”verb”作为触发词抽取的模板，则模型的输入会是下面这种形式（以此类推~）：
[CLS] verb [SEP] sentence [SEP]
针对论元抽取的问题模板有3类，如下图所示：
第一类：仅用论元名称作为question。如”Artifact”、”Agent”等，这种很简单。
第二类：在第一类基础上进行了扩展，具体扩展策略采用以下模式：
[wh_word] is the [argument] ?
比如这里的wh_word，who for person、where for place、what for other。
argument与Template1相同。
除此之外，作者在第三类问题模板的基础上增加了触发词，即下面这种形式：
[wh_word] is the [argument] in [trigger]?
这是将能用到的信息都加进来了呀~~，够猛
这3类问题模板层层递进，以question的形式给模型引入更多、更精确的先验（语义）信息，让模型更清楚自己需要找什么。而这也是QA/MRC模型的优势。
2.模型介绍
在Figure2所示的架构中，作者分别使用 BERT_QA_Trigger模型和 BERT_QA_Arg进行触发词识别和论元识别。
在触发词识别模型中，采用BERT+softmax结构 以序列标注形式识别触发词。
在论元识别模型中，采用BERT+softmax结构 以阅读理解形式识别论元，模型会预测出论元在原始文本序列中的起始位置（start-end position），通过这个起始位置能够提取出相应的论元字段。
从模型结构来讲，该文的确很简单，博主认为该文的价值体现在 端到端的思路以及 针对触发词抽取和论元抽取设定的问题模板。不过该文说这是头一次将QA/MRC思路应用于事件抽取，博主不敢苟同，因为CCKS2019的事件抽取评测比赛上top选手的已经采用了QA/MRC方式，只不过这些国外的盆友看不到我国打工人的智慧罢了【手动滑稽】~~
有想要CCKS2019、2020评测论文的同学可以留言，我上传网盘分享一下~
言归正传，既然是端到端模型，那么在训练的时候肯定是sum loss，也就是将两部分（触发词识别和论元识别）的损失求和，然后将其最小化。
3.实验
单从实验结果来看，的确SOTA了，优秀~，不过触发词识别F1也只是达到了72.39，论元抽取目前的最高也只有53.31，各位打工人继续努力，继续刷榜。
前不久CCL2020的会议上出现一篇以阅读理解方式做事件论元抽取的论文，那篇文章是针对中文数据集来做的，同样具有不错的借鉴意义，有兴趣的同学去找下看看咯~
上面介绍了那么多问题模板，那么哪种模板对模型识别效果最有效呢~？
作者对此进行了实验分析，如下图：
实验结果表明，在触发词识别模型中，使用”verb”这个词作为question是最有效的，博主以为会是第2、3种，可能是因为触发词大多是动词（verb）。
在论元识别中那个模板最有效呢？由上图可以看出， Template3 question + in [Trigger] 形式是效果最好的，因为Template3对argument role name的描述更详细、更精确，也就是为模型提供了更准确的 先验信息。
作者在论文中进行了Error Analysis，有兴趣的同学去看下咯~
文章的最后给出了论元抽取的问题模板，这里给各位看官展示一下，大家可以根据自己特定的任务设定相似的问题模板~
Original: https://blog.csdn.net/broccoli2/article/details/109964284
Author: 西兰先森
Title: 论文浅尝-Event Extraction by Answering (Almost) Natural Questions
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/557954/
转载文章受原作者版权保护。转载请注明原作者出处！