[论文解读] EventPlus: A Temporal Event Understanding Pipeline

Mingyu Derek, Jiao Sun+6 more|arXiv (Cornell University)|Jan 13, 2021

Topic Modeling参考文献 49被引用 6

一句话总结

EventPlus 是首个全面的时序事件理解流水线，整合了最先进的事件触发词与类型检测、论元识别、事件持续时间估计以及时间关系抽取模型。它可对任意输入文本提供端到端、高精度的标注，并公开可用，且通过领域自适应模型（如 SciBERT-FT）扩展至生物医学领域。

ABSTRACT

We present EventPlus, a temporal event understanding pipeline that integrates various state-of-the-art event understanding components including event trigger and type detection, event argument detection, event duration and temporal relation extraction. Event information, especially event temporal knowledge, is a type of common sense knowledge that helps people understand how stories evolve and provides predictive hints for future events. EventPlus as the first comprehensive temporal event understanding pipeline provides a convenient tool for users to quickly obtain annotations about events and their temporal information for any user-provided document. Furthermore, we show EventPlus can be easily adapted to other domains (e.g., biomedical domain). We make EventPlus publicly available to facilitate event-related information extraction and downstream applications.

研究动机与目标

• 解决自然语言文本中缺乏集成系统以实现全面时序事件理解的问题。
• 开发一个统一的流水线，整合多个最先进的组件，用于事件抽取、时间关系、持续时间及论元识别。
• 实现多领域适用性，特别是通过领域特定微调扩展至生物医学文本。
• 为研究人员和从业者提供一个公开可访问、用户友好的工具，从原始文本中提取丰富的以事件为中心的知识。
• 通过结构化的时间事件标注，支持下游应用，如问答系统、故事生成和预测。

提出的方法

• EventPlus 采用多任务学习模型，利用 BERT 嵌入和共享 BiLSTM 编码，联合执行事件触发词检测与时间关系预测。
• 它使用两种不同的事件表示模型：一种用于基于触发词的事件检测（具有明确定义的本体），另一种用于基于 ACE 本体的语义丰富事件结构（包括类型和论元）。
• 事件持续时间通过专用模型预测，将事件跨度分类为持续时间类别（例如：短、长、不定）。
• 系统包含一个推测与否定检测模块，用于识别事件是否为假设性或被否定，从而提高上下文准确性。
• 为实现领域自适应，EventPlus 支持多领域训练（MDT）使用共享嵌入，或替换为领域内模型（如 SciBERT-FT）以处理生物医学文本。
• 所有组件均集成到单一流水线中，处理原始文本并可视化结果，包括事件触发词、论元、时间关系（以图形式）和持续时间标签。

实验结果

研究问题

• RQ1 统一流水线能否有效整合多个最先进的组件，实现全面的时序事件理解？
• RQ2 与独立模型相比，多任务学习方法在联合事件触发词与时间关系抽取中的表现如何？
• RQ3 EventPlus 在新领域（如生物医学）中的适应能力如何，是否会导致性能下降？
• RQ4 与多领域训练相比，领域特定微调（如 SciBERT-FT）在生物医学事件抽取中的表现如何？
• RQ5 该系统能否为下游 NLP 应用提供连贯、结构化且可操作的以事件为中心的知识？

主要发现

• EventPlus 在所有集成组件上均达到最先进性能，包括事件触发词检测、时间关系抽取和持续时间预测，经基准数据集验证。
• 用于事件触发词与时间关系抽取的多任务学习模型相比单任务基线，在两项任务上均表现更优，证明了共享上下文表示的优势。
• 在生物医学领域，SciBERT-FT 在 GENIA 开发集上的表现优于多领域训练（MDT），表明领域内微调可获得更优结果。
• 通过将通用领域事件抽取模型替换为 SciBERT-FT，系统成功扩展至生物医学文本，实现了科学文献中事件检测的高精度。
• EventPlus 提供完整、端到端的解决方案，输出结构化的事件知识，包括触发词、论元、持续时间与时间关系，这是现有工具所不具备的。
• 该系统公开可访问于 https://kairos-event.isi.edu，配备用户友好的界面和入门视频，有助于在研究与应用领域广泛采用。