[论文解读] Event Coreference Resolution by Iteratively Unfolding Inter-dependencies among Events

Prafulla Kumar Choubey, Ruihong Huang|arXiv (Cornell University)|Jul 23, 2017

Topic Modeling参考文献 26被引用 9

一句话总结

本文提出一种迭代的两阶段事件共指消解方法，通过交替使用不同的成对分类器合并文档内（WD）和跨文档（CD）事件提及，同时利用簇之间的二阶相互依赖关系。该方法通过在迭代过程中有效利用上下文和论元级特征，在ECB+语料库上超越了最先进系统。

ABSTRACT

We introduce a novel iterative approach for event coreference resolution that gradually builds event clusters by exploiting inter-dependencies among event mentions within the same chain as well as across event chains. Among event mentions in the same chain, we distinguish within- and cross-document event coreference links by using two distinct pairwise classifiers, trained separately to capture differences in feature distributions of within- and cross-document event clusters. Our event coreference approach alternates between WD and CD clustering and combines arguments from both event clusters after every merge, continuing till no more merge can be made. And then it performs further merging between event chains that are both closely related to a set of other chains of events. Experiments on the ECB+ corpus show that our model outperforms state-of-the-art methods in joint task of WD and CD event coreference resolution.

研究动机与目标

• 解决同时在文档内（WD）和跨文档（CD）中进行事件共指消解的挑战，认识到CD链接需要比WD链接更强的证据支持。
• 克服先前方法的局限性，这些方法将WD和CD消解视为相同任务，或以无反馈的顺序处理，缺乏相互促进。
• 通过在每次合并后迭代整合论元特征，以增强后续聚类决策，从而提升共指消解性能。
• 利用二阶相互依赖关系——如与已知共指事件共享关联——以解决远距离或表面形式不同的事件提及之间的共指关系。
• 开发一种灵活的框架，基于WD和CD分类器在特征分布上的差异进行区分，从而提升模型的准确性和鲁棒性。

提出的方法

• 交替执行文档内（WD）和跨文档（CD）聚类迭代，每次合并后整合论元特征，以丰富簇的表示。
• 使用两个独立的成对分类器：一个用于基于事件词和论元的WD共指消解，另一个用于依赖于周围上下文特征的CD共指消解。
• 分两个阶段进行迭代合并：第一阶段，交替执行WD和CD合并直至收敛；第二阶段，基于二阶依赖关系执行额外的合并。
• 将二阶依赖关系定义为与已知共指事件共享强或弱关联（例如，相同的依存关系或在同一上下文中共现），并设定一个已知共指事件的阈值。
• 在每次迭代后，整合已合并事件提及的论元特征，以提升簇的表征质量，并支持进一步的合并。
• 使用基于阈值的机制识别并合并那些与同一组其他共指事件关系密切的事件簇，即使它们的表面形式不同。

实验结果

研究问题

• RQ1 通过交替进行WD和CD合并并迭代整合特征，是否能够使事件共指消解性能超越单次遍历或顺序处理的方法？
• RQ2 WD和CD事件簇之间不同的特征分布如何影响分类器性能？是否可以通过独立模型提升准确性？
• RQ3 在语义相似但表面形式不同的事件提及之间，二阶相互依赖关系（如与已知共指事件共享关联）在多大程度上能有效解决共指链接？
• RQ4 当事件提及缺乏足够局部论元或仅共享词素时，迭代共指消解的主要失败模式是什么？
• RQ5 通过论元聚合迭代优化簇的表征，是否能形成更鲁棒、更完整的共指链？

主要发现

• 经过三次迭代，该方法在文档内共指消解上达到70.9%的F1，在跨文档共指消解上达到61.2%的F1，性能持续优于单次遍历方法。
• 第二阶段合并（利用二阶依赖关系）成功解决了81次高度不相似事件提及之间的合并，包括反义词对如（win, beat）和（defeat, victory）。
• 当事件提及共享词素或论元时，系统表现最佳；初始合并主要由完全相同或近似相同的事件形式主导，而后续迭代则解决了同义对如（murder, killing）和（attack, bomb）。
• 一个主要局限是当事件提及缺乏局部论元时（如（operations, raids）、（suicide, hang））无法解决共指链接，原因在于对局部上下文特征的依赖。
• 一个显著的错误来源是将具有相同词素但不共指的事件提及错误合并，尤其是报道动词（如said, told）和轻动词（如take, give），分别导致24次和13次错误合并。
• 该模型在ECB+基准的WD和CD共指消解任务上均优于先前的最先进系统，证明了迭代式、依赖感知合并方法的有效性。