有没有什么专门做兼职的网站吗,医院建筑设计案例,多商户商城系统源码,零基础网站建设教学培训笔记整理#xff1a;康矫健#xff0c;浙江大学计算机科学与技术系#xff0c;硕士研究生。论文链接#xff1a;https://arxiv.org/pdf/1812.00195.pdf发表会议#xff1a;AAAI 2019摘要 近来#xff0c;针对事件抽取的工作大都集中在预测事件的triggers和arguments r… 笔记整理康矫健浙江大学计算机科学与技术系硕士研究生。论文链接https://arxiv.org/pdf/1812.00195.pdf发表会议AAAI 2019摘要 近来针对事件抽取的工作大都集中在预测事件的triggers和arguments roles而把实体识别当作是已经由专家标注好了的然而实际情况是实体识别通常是由现有工具包预测出来的而这将会导致实体类型预测产生的错误传播到后续任务中而无法被纠正。因而本文提出一种基于共享的 feature representation从而预测实体类型triggersargumentsroles 的联合模型。实验表明我们的方法做到了 state of the art. 模型介绍1. 概览如图1所示该模型由三个核心部分组成分别是实体类型预测Entity MentionDetection - EMD、事件类型预测Event Detection - ED和语义角色类型预测Argument RolePrediction - ARP。2. Sentence Encoding句子中的每个词向量表示由两部分组成。一部分是由word2vec预先训练好的词向量第二部分是binary vectors由POSchunk以及dependency信息组成。之后将这两部分拼接在一起。3. Sentence Representation将Sentence Encoding中得到的词向量输入到bi-GRU中得到每个词的隐藏层表示已经有实验表明 bi-GRU 可以 encode 非常丰富的上下文信息这对事件抽取这个任务非常有效。之后这个表示将作为 EMD、ED 以及 ARP 任务预测实体类型trigger类型和语义角色类型的 shared representation。我们的目标就是最大化三个预测任务的联合概率4. Entity Mention Detector可以将实体类型检测的目标函数展开如下我们的目标是最大化这个概率。其中其中5. Triggerand Argument Prediction可以将事件类型的检测和语义角色类型的预测展开成如下目标函数我们的目标是最大化这个目标函数其中其中实验分析1. Trigger 和语义角色预测实验效果可以看到本文提出的联合训练模型在event trigger identification、event triggerclassification、event argument identification、event argumentclassification上的F1值都达到了当前最优效果具体结果如下2. 实体类型预测的结果试验结果表明本文提出的模型在实体类型检测上的F1值同样达到了最优具体结果如下3. Error Analysis可以看到 trigger classification69.8%和 trigger identification72.5%的效果相差不多可见主要的错误来源于未能准确判断一个词属于 trigger word。而通过对未能检测出来的 trigger word 的研究发现主要是由于在训练数据集上未出现过这个词比如 通过对检测出来是trigger word而未能正确预测其类型的词的研究发现主要错误来源于该词附近出现了有误导性的上下文信息而我们的模型不能很好地判别比如下面这句话的fire可能会由于car的出现而被错误判断未Attack的事件类型这启发我们去研究一个更好的能够encode上下文的模型OpenKG开放知识图谱简称 OpenKG旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。
