关于论文的理解：Event Detection via Gated Multilingual Attention Mechanism

Event Detection via Gated Multilingual Attention Mechanism
Jian Liu（2018）
本文的主要任务就是给定一个句子，能够识别出表达了什么事件，如例句：In Baghdad, a cameraman died when an American tank fired on the Palestine hotel
目标就是找出died和fired这两个触发词，事件类型为Die和Attack
数据稀疏：ACE2005语料定义了33种事件类型，但只有70%事件类型的例句超过100条，有3种类型的实例不足10条。目前主要是一些监督学习的方法，语料稀少就阻碍了性能的提升。
单语言歧义问题：相同的触发词能表达不同的事件类型，如例句：
s1: An American tank fired on the Palestine hotel. Attack
s2: Two airline pilots were reportedly fired for stripping down. End-Positon
ACE2005语料中有57%这样的触发词。
因此本文提出了一个*Gated MultiLingual Attention (GMLATT) framework，目的是能充分利用两种语言中的信息。
Motivation：
1、 不同语言中表达了相同含义的句子往往包含相同的语义成分。如
中文：YiLiang MeiGuo TanKe Xiang Palestine LvDian KaiHuo
英文：American tank
MeiGuo TanKe与American tank表达了相同的含义，均是“武器”，表达的事件均为Attack事件。
2、某个词在一种语言中有歧义，但在另一种语言中却没有歧义。如fire，在中文中， “开火”表示Attack类型，“解雇”表示End-Position类型，这两个词没有相同语义成分，可以很清楚地进行识别。
基于上述两种动机，本文提出两种Attention机制
1、对每种语言采用context attention mechanism机制：句子中的词具有不同的重要性，如s1中American tank对识别Attack事件更重要，s2中airline pilots和stripping down对识别End-Position事件更重要。Attention的权重表示句子中不同词对预测事件类型的重要程度。
2、gated cross-lingual attention：动机2中提出其他语言对源语言（英语）能提供补充信息，但怎样将两种语言的信息结合呢。这种注意力模型设置了一个哨兵，能够控制目标语言流向源语言的信息，从而实现信息的整合。
Multilingual Projection：将ACE2005英文语料作为源语言，利用百度在线翻译获得平行的目标语言。采用GIZA++（MT中常用的工具）进行对齐。对源到目标以及目标到源分别进行对齐，最后利用grow-diag-finaland算法将二者结合。
Sentence Representation：Bi-GRU(Bi-RNN), Word Embedding, Entity Embedding, Position Embedding
Multilingual Information Integration：
Monolingual Context Attention Mechanism：首先计算源端：将每个词作为候选触发词，计算每个候选触发词的attention权重（首先计算候选触发词与上下文第i个词的相关性，再利用公式计算得到权重）。
目标端先找到源端每个候选触发词的对齐，再利用上述方法对目标端采用attention机制。
Gated Cross-Lingual Attention Mechanism：得到每个端的表示后将二者进行结合，采用两种结合策略。
1、 源端和目标端的信息重要程度一样，取平均
2、 源端和目标端的信息重要程度不一样，利用门控制从目标到源的信息。
Event Type Prediction：多分类问题，将源端候选触发词，目标端候选触发词和整合信息都作为输入，采用SoftMax得到分类结果。