Filling in the Gaps: Efficient Event Coreference Resolution using Graph Autoencoder Networks

要約

リソースの少ない言語ドメインに適用されるイベント相互参照解決 (ECR) の斬新で効率的な方法を紹介します。
ECR をグラフ再構成タスクとしてフレーム化することで、深い意味論的埋め込みと構造的共参照チェーンの知識を組み合わせて、パラメーター効率の高いグラフ オートエンコーダー モデル (GAE) ファミリーを作成できます。
私たちの方法は、全体的なスコア、効率、トレーニング速度の点で、大規模なオランダのイベント相互参照コーパスに対する古典的な言及ペア方法よりも大幅に優れています。
さらに、私たちのモデルは、より困難な共参照リンクを一貫して分類でき、トランスフォーマーベースのメンションペア共参照アルゴリズムと比較した場合、低データ設定ではるかに堅牢であることを示します。

要約(オリジナル)

We introduce a novel and efficient method for Event Coreference Resolution (ECR) applied to a lower-resourced language domain. By framing ECR as a graph reconstruction task, we are able to combine deep semantic embeddings with structural coreference chain knowledge to create a parameter-efficient family of Graph Autoencoder models (GAE). Our method significantly outperforms classical mention-pair methods on a large Dutch event coreference corpus in terms of overall score, efficiency and training speed. Additionally, we show that our models are consistently able to classify more difficult coreference links and are far more robust in low-data settings when compared to transformer-based mention-pair coreference algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google