[论文解读] 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 8

一句话总结

本文提出了一种基于图的时序复杂事件模式模型，能够捕捉事件、论元、时序关系以及论元关系，从而实现更优的事件预测。利用一个包含6,399篇文档的全新语料库（标注有标准事件模式），该方法在事件预测任务中的HITS@1指标上相比基线方法和人工构建的模式提升了17.8%。

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.

研究动机与目标

• 解决先前事件模式归纳方法仅关注原子事件或线性序列的局限性。
• 建模事件之间通过论元和论元关系的相互作用，这些因素在现有方法中常被忽略。
• 开发一种基于图的事件模式表示方法，同时捕捉时序结构与关系结构。
• 构建一个包含6,399篇文档的新事件模式学习语料库，标注有事件图和标准事件模式以供评估。
• 在内在模式质量与外在事件预测性能两个方面评估所提模型，证明其优于线性表示方法和人工构建的模式。

提出的方法

• 提出时序复杂事件模式的概念，将其定义为一种图结构，用于编码事件、论元、时序关系及论元关系。
• 设计时序事件图模型，通过概率推理模拟基于模式的事件实例生成过程。
• 构建一个包含6,399篇文档的新语料库，人工标注事件图和标准事件模式，用于训练与评估。
• 采用模式匹配与实例图困惑度进行内在评估，以衡量模式质量。
• 采用基于模式引导的事件预测作为外在评估，通过HITS@1及其他标准指标衡量性能。
• 使用概率图模型训练与评估模型，以捕捉事件与论元之间的依赖关系。

实验结果

研究问题

• RQ1 包含论元与关系的基于图的事件模式表示是否能在捕捉事件结构方面优于线性或原子事件表示？
• RQ2 时序事件图模型在预测未来事件实例方面，与基线方法和人工构建的模式相比表现如何？
• RQ3 在多大程度上，引入论元关系与时序连接能提升模式质量与预测能力？
• RQ4 与线性模式基线相比，所提模型在内在模式匹配与实例困惑度方面表现如何？
• RQ5 在真实世界事件预测任务中，使用所提概率图模式库能带来多大程度的预测性能提升？

主要发现

• 所提的时序复杂事件模式模型在内在模式质量评估中显著优于线性表示方法，其评估指标为模式匹配度与实例图困惑度。
• 该模型在事件预测任务的HITS@1指标上相比基线方法和人工模式提升了17.8%，展现出强大的预测能力。
• 基于图的模式库能够捕捉事件、论元与时序关系之间的更丰富结构依赖，从而实现更精确的预测。
• 包含6,399篇文档与标准事件模式的新语料库，为复杂事件模式归纳方法的可靠评估提供了支持。
• 时序事件图模型能有效模拟事件实例的生成过程，在动态事件预测场景中表现出强鲁棒性与泛化能力。
• 结果证实，建模论元关系与时序连接对于实现高保真度的事件模式归纳与预测至关重要。