[論文レビュー] Event Causality Extraction with Event Argument Correlations

Shiyao Cui, Jiawei Sheng+4 more|arXiv (Cornell University)|Jan 27, 2023

Topic Modeling被引用数 8

ひとこと要約

論文は、イベント間の因果ペアをテキストから構造化されたイベント情報とともに抽出するための、 intra-および inter-event 引数相関を捉えるデュアルグリッドタグ付けモデルDualCorを提案する。

ABSTRACT

Event Causality Identification (ECI), which aims to detect whether a causality relation exists between two given textual events, is an important task for event causality understanding. However, the ECI task ignores crucial event structure and cause-effect causality component information, making it struggle for downstream applications. In this paper, we explore a novel task, namely Event Causality Extraction (ECE), aiming to extract the cause-effect event causality pairs with their structured event information from plain texts. The ECE task is more challenging since each event can contain multiple event arguments, posing fine-grained correlations between events to decide the causeeffect event pair. Hence, we propose a method with a dual grid tagging scheme to capture the intra- and inter-event argument correlations for ECE. Further, we devise a event type-enhanced model architecture to realize the dual grid tagging scheme. Experiments demonstrate the effectiveness of our method, and extensive analyses point out several future directions for ECE.

研究の動機と目的

• 平文テキストから構造化イベント情報を含む原因-結果イベントペアを取得する新しいタスク：イベント因果抽出(ECE)を提示・定義する。
• 既存のイベント因果識別(ECI)の制限を、イベント構造と明示的な因果成分を組み込むことで解決する。
• ECEのために内イベント/外イベントの引数相関をモデル化するデュアルグリッドタグ付けスキームを提案する。
• デュアルグリッドタグ付けを実現するためのタイプ認識エンコーダとエンドツーエンドモデル(DualCor)を設計する。

提案手法

• m個のイベントタイプとnトークンを持つ因果グリッドと結果グリッドの二つのグリッドタグ付けテーブルを導入し、各エントリは相関・役割・境界フィールドを組み合わせたタグを保持する。
• デュアルグリッドデコードプロセスを用いる：引数スパンデコード、イベント構造デコード、因果ペアデコード。
• イベントタイプマーカーを連結しBERTでトークン表現を得るタイプ認識エンコーダを適用し、その後グリッド表現層とConditional Layer Normalization(CLN)を用いてイベントタイプ情報をグリッドエントリへ統合する。
• グリッドエントリに対するマルチラベル分類で原因グリッドと結果グリッドの損失を組み合わせ、学習する。
• 最も近終端ルールでスパンを一致させ、タイプごとに内部イベント引数を集約し、Inter-correlation信号を介して外部イベント引数を結びつけ、原因-結果イベントペアを形成してデコードする。

実験結果

リサーチクエスチョン

• RQ1 デュアルグリッドタグ付けアプローチは、内イベントおよび外イベント引数相関を活用して、構造化イベント情報を持つ原因-結果イベントペアのエンドツーエンド抽出を改善できるか。
• RQ2 タイプ認識エンコーダとCLNを介してイベントタイプ情報を組み込むことは、単一グリッドまたはエンティティ中心のベースラインと比較して、ECEのための引数予測を改善するか。
• RQ3 外部イベント間の相関をモデル化することは、原因と結果イベントの正しいペアづけを支援し、冗長または誤割り当ての引数を減らすのに役立つか。

主な発見

Model	EAE_P	EAE_R	EAE_F1	CET_P	CET_R	CET_F1	ECE_P	ECE_R	ECE_F1
BERT-softmax+Causality	32.55	35.11	33.78	49.61	64.20	55.97	30.47	31.52	30.99
BERT-CRF+Causality	35.52	34.10	34.79	53.22	60.95	56.82	31.02	31.28	31.15
DMBERT+Causality	34.27	38.18	36.12	52.87	63.20	57.58	30.08	34.93	32.33
PLMEE+Causality	34.22	40.70	37.18	58.11	60.20	59.13	29.98	41.14	34.69
Novel-tagging	59.40	28.47	38.49	49.79	61.70	55.11	51.52	26.75	35.22
CasECE	36.88	36.72	36.80	58.26	59.70	58.97	31.30	41.81	35.80
Pair-tagging	47.08	46.49	46.79	55.78	62.95	59.14	39.24	47.69	43.05
DualCor	58.05	47.60	52.31	61.75	58.19	59.92	48.56	44.85	46.63

• DualCorはECEタスクにおいてEAE、CET、およびECEの指標でベースライン中最良の総合結果を達成した。
• アブレーションにより、内イベント相関、外部イベント相関、タイプ認識エンコーディングのすべてが性能に有意に寄与することが示された。
• 評価データセットで、DualCorはEAEとCETで改善を示したが、ECEの性能は依然として難しく、特に因果ペアが複数ある文では難度が高い。
• Pair-Linkingと比較して、DualCorは訓練と推論の効率性に利点を示しつつ、精度も競争力を維持する。
• 誤り分析では、原因-結果タイプの誤予測、冗長な引数、引数欠落が共通の失敗として挙げられ、今後の改良領域を示している。