An AMR-based Link Prediction Approach for Document-level Event Argument Extraction

要約

最近の研究では、ドキュメント レベルのイベント引数抽出 (ドキュメント レベル EAE) に抽象意味表現 (AMR) が導入されました。これは、AMR が複雑な意味構造の有用な解釈を提供し、長距離の依存関係を把握するのに役立つためです。
ただし、これらの作品では、AMR は追加機能やトレーニング信号などとして暗黙的にのみ使用されます。
すべてのイベント構造が AMR から推測できるという事実に動機付けられたこの研究では、EAE を AMR グラフ上のリンク予測問題として再定式化しています。
AMR は一般的な構造であり、EAE に完全に適合するわけではないため、情報量の少ないサブグラフとエッジ タイプを圧縮し、スパン情報を統合し、同じドキュメント内の周囲のイベントを強調表示する、新しいグラフ構造である Tailored AMR Graph (TAG) を提案します。
TAG では、イベント引数を見つけるためのリンク予測モデルとしてグラフ ニューラル ネットワークを使用する新しい方法をさらに提案します。
WikiEvents と RAMS に関する広範な実験では、このシンプルなアプローチが最先端のモデルより F1 でそれぞれ 3.63 ポイントと 2.33 ポイント優れ、推論時間が 56% 短縮されることがわかりました。
コードは https://github.com/ayyyq/TARA で入手できます。

要約(オリジナル)

Recent works have introduced Abstract Meaning Representation (AMR) for Document-level Event Argument Extraction (Doc-level EAE), since AMR provides a useful interpretation of complex semantic structures and helps to capture long-distance dependency. However, in these works AMR is used only implicitly, for instance, as additional features or training signals. Motivated by the fact that all event structures can be inferred from AMR, this work reformulates EAE as a link prediction problem on AMR graphs. Since AMR is a generic structure and does not perfectly suit EAE, we propose a novel graph structure, Tailored AMR Graph (TAG), which compresses less informative subgraphs and edge types, integrates span information, and highlights surrounding events in the same document. With TAG, we further propose a novel method using graph neural networks as a link prediction model to find event arguments. Our extensive experiments on WikiEvents and RAMS show that this simpler approach outperforms the state-of-the-art models by 3.63pt and 2.33pt F1, respectively, and do so with reduced 56% inference time. The code is availabel at https://github.com/ayyyq/TARA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google