基于推理线索构建事件关系识别方法.pptVIP

主要内容 背景及任务描述 相关工作 基于推理线索构建的事件关系识别方法 实验与分析 总结和展望 实验设置 语料来源 新浪、腾讯等网站的新闻专题的6个话题 平均每个话题包含30个新闻事件（外延事件） 2842“事件对”，有逻辑关系“事件对”为811（28.5%） 评价指标 实验设置 基准系统 Baseline_Ma：基于依存线索的推理方法 Baseline_Yang：基于核心词和实体的推理方法 基于推理线索构建的方法 ICue1：针对共同的线索事件，相关度采用依存度计算方法 ICue2：共同的线索事件，相关度采用共享事件元素的相关度计算方法，即事件核心词相关度和事件实体相关度之和。 实验结果 ICue1和ICue2相比较于Baseline_Ma和Baseline_Yang在F值上分别获得了超过17.2%和9.5%的提升。 丰富的线索集合不但有助于召回率的提升，同时也有助于准确的判断事件关系。 实验结果 更好的丰富了依存线索集合 Ma：60.07%不存在线索 Yang：27.7% ICue1和ICue2：只有16%的事件不存在线索 丰富的推理线索能够很好的描述事件的发展脉络，因此能够很好的辅助事件关系的识别。 实验结果 验证线索充分性对事件关系识别性能的影响 “线索充分样本点”和“线索稀疏样本点” 丰富的推理线索能够很好辅助识别事件关系 实验结果 性能依然不理想，主要原因在于虽然获得的线索数目多，但是高质量的线索仍然不多，原因： 目前的依存分析器性能仍不理想，对长距离的依存分析效果不高 事件间的指代现象严重，对通过共享实体构造推理线索造成一定影响 语料规模有限，构造线索时搜索空间较小 主要内容 背景及任务描述 相关工作 基于推理线索构建的事件关系识别方法 实验与分析 总结和展望 总结与展望 本文针对“外延事件”见关系识别问题，提出一种基于事件瑰丽线索构建的事件关系识别方法。 方法利用事件核心词和事件实体的分布特性，借助事件发展过程中事件核心词和事件实体的句法依存特征，构建事件关系推理线索集合，进而推理事件关系。 识别效果依然不理想，以后工作中会进一步挖掘新的方法，同时，完善语料资源。 在事件关系识别基础上，判定事件关系类型。 谢谢 在ACE中，将之间定义成一种描述特定人、物、事在特定时间和特定地点相互作用的客观事实 自然事件往往不是孤立个体，其发生与发展往往与外在的其它自然事件有着本源的逻辑关系，例如，一个“袭击”事件往往与“死亡”和“摧毁”事件相关联，因此，本文提出一种事件关系识别任务。 事件关系识别与传统的话题检测任务不同，在话题检测中，新闻报道往往包含多个不同事件的论述，报道的主题或主体内容相关于话题主旨，并不能保证报道内所有局部事件都相关于话题。 * 在ACE中，将之间定义成一种描述特定人、物、事在特定时间和特定地点相互作用的客观事实 自然事件往往不是孤立个体，其发生与发展往往与外在的其它自然事件有着本源的逻辑关系，例如，一个“袭击”事件往往与“死亡”和“摧毁”事件相关联，因此，本文提出一种事件关系识别任务。 事件关系识别与传统的话题检测任务不同，在话题检测中，新闻报道往往包含多个不同事件的论述，报道的主题或主体内容相关于话题主旨，并不能保证报道内所有局部事件都相关于话题。 * 例如下面这个例子，在“中菲对峙”话题下有如下四个事件：e1,e2,e3,e4. 。除事件e1和事件e4，事件e2和事件e3存在逻辑关系外，其它任意两事件之间并不存在逻辑关系 事件关系识别任务则是以事件为基础语义单元，挖掘话题内事件间的推理信息和语义关联特征，对事件之间关系存在与否，即相关、不相关进行识别。 * 现有针对事件关系的研究大都对某一特定事件关系进行抽取，具体的方法分为模板匹配法和元素分析法。 C利用词-句匹配模板构建知识库，实现对文章中定义的六种时序关系进行抽取 L利用DIRT算法对因果关系的事件进行抽取 MA利用句子间的依存特征，构建相关事件线索集合，实现事件关系的推理 * 现有针对事件关系的研究大都对某一特定事件关系进行抽取，具体的方法分为模板匹配法和元素分析法。 C利用词-句匹配模板构建知识库，实现对文章中定义的六种时序关系进行抽取 L利用DIRT算法对因果关系的事件进行抽取 MA利用句子间的依存特征，构建相关事件线索集合，实现事件关系的推理 * 现有针对事件关系的研究大都对某一特定事件关系进行抽取，具体的方法分为模板匹配法和元素分析法。 C利用词-句匹配模板构建知识库，实现对文章中定义的六种时序关系进行抽取 L利用DIRT算法对因果关系的事件进行抽取 MA利用句子间的依存特征，构建相关事件线索集合，实现事件关系的