[論文レビュー] Future is not One-dimensional: Graph Modeling based Complex Event Schema Induction for Event Prediction.

Manling Li, Sha Li+6 more|arXiv (Cornell University)|Apr 13, 2021

Topic Modeling参考文献 43被引用数 8

ひとこと要約

本稿では、イベント、引数、時系列的接続、および引数関係を捉えるグラフベースの時系列的複合イベントスキーマモデルを提案する。このモデルにより、優れたイベント予測が可能となる。6,399件のドキュメントから構成される新しいコーパス（ゴールドスタンダードスキーマ付）を用いて、ベースラインおよび人間のスキーマに対して、イベント予測タスクにおけるHITS@1で17.8%の向上を達成した。

ABSTRACT

Event schemas encode knowledge of stereotypical structures of events and their connections. As events unfold, schemas are crucial to act as a scaffolding. Previous work on event schema induction either focuses on atomic events or linear temporal event sequences, ignoring the interplay between events via arguments and argument relations. We introduce the concept of Temporal Complex Event Schema: a graph-based schema representation that encompasses events, arguments, temporal connections and argument relations. Additionally, we propose a Temporal Event Graph Model that models the emergence of event instances following the temporal complex event schema. To build and evaluate such schemas, we release a new schema learning corpus containing 6,399 documents accompanied with event graphs, and manually constructed gold schemas. Intrinsic evaluation by schema matching and instance graph perplexity, prove the superior quality of our probabilistic graph schema library compared to linear representations. Extrinsic evaluation on schema-guided event prediction further demonstrates the predictive power of our event graph model, significantly surpassing human schemas and baselines by more than 17.8% on HITS@1.

研究の動機と目的

• 従来のイベントスキーマ誘導手法が原子的イベントや線形的シーケンスに限定されているという限界を解決すること。
• 既存のアプローチでしばしば無視される、引数および引数関係を通じたイベント間の相互作用をモデル化すること。
• 時系列的および関係的構造を同時に捉える、グラフベースのイベントスキーマ表現を開発すること。
• 6,399件のドキュメントから構成され、イベントグラフおよびゴールドスタンダードスキーマがアノテートされた新しいスキーマ学習コーパスを構築すること。
• 提案モデルの内在的スキーマ品質と外在的イベント予測性能の両方を評価し、線形表現や人間が作成したスキーマに対して優位性を示すこと。

提案手法

• イベント、引数、時系列的関係、および引数関係をエンコードするグラフ構造としての「時系列的複合イベントスキーマ」の概念を導入する。
• 確率的推論を用いて、スキーマに基づいてイベントインスタンスの出現をシミュレートする「時系列的イベントグラフモデル」を設計する。
• 学習および評価用に、手動でアノテートされたイベントグラフとゴールドスタンダードスキーマを備えた、6,399件のドキュメントから構成される新しいコーパスを構築する。
• 内在的評価として、スキーママッチングとインスタンスグラフの周辺度（perplexity）を用い、スキーマ品質を評価する。
• 外在的評価として、スキーマガイドドイベント予測を用い、HITS@1およびその他の標準指標により性能を測定する。
• イベントおよび引数間の依存関係を捉えるために、確率的グラフィカルモデルを用いてモデルを学習および評価する。

実験結果

リサーチクエスチョン

• RQ1 引数および関係を含むグラフベースのイベントスキーマ表現は、線形的または原子的イベント表現に比べ、イベント構造をより効果的に捉えられるか？
• RQ2 時系列的イベントグラフモデルは、ベースラインおよび人間が作成したスキーマに比べ、将来のイベントインスタンスをどれほど正確に予測できるか？
• RQ3 引数関係および時系列的接続を組み込むことで、スキーマ品質および予測性能はどの程度向上するか？
• RQ4 線形スキーマベースラインと比較して、提案モデルは内在的スキーママッチングおよびインスタンス周辺度においてどの程度の性能を示すか？
• RQ5 実世界のイベント予測タスクにおいて、提案された確率的グラフスキーマライブラリを用いることで、予測性能はどの程度向上するか？

主な発見

• 提案された時系列的複合イベントスキーマモデルは、スキーママッチングおよびインスタンスグラフ周辺度という指標で測定した内在的スキーマ品質評価において、線形表現を著しく上回った。
• イベント予測タスクにおいて、HITS@1指標でベースラインおよび人間のスキーマに対して17.8%の向上を達成し、強力な予測能力を示した。
• グラフベースのスキーマライブラリは、イベント、引数、時系列的関係間のより豊かな構造的依存関係を捉えており、より正確な予測を可能にした。
• ゴールドスタンダードスキーマが付与された6,399件のドキュメントから構成される新しいコーパスにより、複雑なイベントスキーマ誘導手法の信頼性ある評価が可能になった。
• 時系列的イベントグラフモデルは、イベントインスタンスの出現を効果的にモデル化しており、動的イベント予測シナリオにおける頑健さと一般化能力を示した。
• 結果から、高精度なイベントスキーマ誘導および予測には、引数関係および時系列的接続のモデル化が不可欠であることが確認された。