[论文解读] ELG: An Event Logic Graph

Xiao Ding, Zhongyang Li+2 more|arXiv (Cornell University)|Jul 18, 2019

Topic Modeling参考文献 20被引用 4

一句话总结

本文提出了事件逻辑图（ELG），一种有向环状知识图谱，用于建模事件之间的顺序、因果、条件及层次（is-a）关系，以捕捉现实世界中的事件演化模式。ELG通过大规模文本的事件抽取与关系识别构建而成，显著提升了脚本事件预测性能，多模型集成方法达到54.93%的准确率，较基线模型最高提升3.2%。

ABSTRACT

The evolution and development of events have their own basic principles, which make events happen sequentially. Therefore, the discovery of such evolutionary patterns among events are of great value for event prediction, decision-making and scenario design of dialog systems. However, conventional knowledge graph mainly focuses on the entities and their relations, which neglects the real world events. In this paper, we present a novel type of knowledge base - Event Logic Graph (ELG), which can reveal evolutionary patterns and development logics of real world events. Specifically, ELG is a directed cyclic graph, whose nodes are events, and edges stand for the sequential, causal, conditional or hypernym-hyponym (is-a) relations between events. We constructed two domain ELG: financial domain ELG, which consists of more than 1.5 million of event nodes and more than 1.8 million of directed edges, and travel domain ELG, which consists of about 30 thousand of event nodes and more than 234 thousand of directed edges. Experimental results show that ELG is effective for the task of script event prediction.

研究动机与目标

• 为解决传统知识图谱侧重于实体及其关系而缺乏事件中心知识的问题。
• 利用结构化知识库建模现实世界中的事件演化模式，如时间序列与因果依赖。
• 开发一种可扩展的框架，从非结构化文本构建ELG，以支持对事件逻辑的常识推理。
• 通过基于神经图模型的下游任务评估ELG的有效性，特别是脚本事件预测任务。

提出的方法

• 将ELG定义为有向环状图，其中节点表示事件，边表示顺序、因果、条件或上下位-下位（hypernym-hyponym）关系。
• 利用触发词（如动词）从原始文本中抽取事件，并将其表示为语义三元组（S, P, O），其中P为动作。
• 使用自然语言处理技术识别并标注事件对之间的关系，区分顺序与因果关系的方向性。
• 合并语义相似的事件，并将具体事件泛化为统一的抽象事件图。
• 构建领域特定的ELG：金融领域ELG包含150万个事件节点与180万个边，旅行领域ELG包含3万个事件节点与23.4万个边。
• 使用ELG作为输入，训练并评估基于图的模型（如SGNN、EventComp、PairLSTM）在脚本事件预测任务上的表现。

实验结果

研究问题

• RQ1 能否通过建模事件演化模式的知识库提升脚本事件预测性能？
• RQ2 不同结构表示方式——成对、链式或图结构——如何影响事件预测的准确率？
• RQ3 在ELG中引入层次（is-a）与因果关系在多大程度上增强事件推理能力？
• RQ4 图神经网络能否有效利用ELG的关联结构以提升事件预测性能？

主要发现

• SGNN模型在脚本事件预测中达到最高准确率52.45%，较最佳基线模型（PairLSTM）提升3.2%。
• 将SGNN与EventComp及PairLSTM结合后，性能进一步提升至54.93%，表明不同模型架构间存在互补优势。
• 基于图的模型（SGNN）优于基于成对（PairLSTM）与基于链式（EventComp）的模型，证实结构上下文对事件推理具有重要价值。
• SGNN-attention中的注意力机制相比标准SGNN进一步提升性能，表明上下文事件对预测的相关性存在差异。
• SGNN的学习曲线显示其在训练初期即快速收敛至高准确率，表明其训练效率与收敛速度优于PairLSTM。
• ELG构建过程展现出高度可扩展性，金融领域ELG包含超过150万个事件节点与180万条边。