论文笔记 ACL 2021|Low-resource Event Detection with Ontology Embedding

1 简介

论文题目：Low-resource Event Detection with Ontology Embedding
论文来源：ACL 2021
论文链接：https://aclanthology.org/2021.acl-long.220.pdf
代码链接：https://github.com/231sm/Reasoning In EE

1.2 创新

• 提出了一个基于本体的模型，编码事件内部和外部的结构。
• 提出了一个新的事件检测数据集。

![在这里插入图片描述](https://img-blog.csdnimg.cn/d45b3e2ed5dc4ce3ae648856420ad65f.png#pic_center?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,s

ow_50,text_Q1NETiBAaGxlZS10b3A=,size_20,color_FFFFFF,t_70,g_se,x_16)

2 方法

将事件检测任务定义为事件本体传播过程(event ontology population),事件本体传播的目标是在事件类型和实例之间建立合适的联系。同时利用多种事件关系进行事件本体传播和学习，如子事件关系(SUBSUPER、SUPERSUB、COSUPER)、事件关系(BEFORE、AFTER、EQUAL)、因果关系(CAUSE、CAUSEDBY)，模型流程如下图：

整个框架主要包括三个部分，整个框架如下图：

• Event Detection：致力于识别出事件触发词和类型，同时识别事件实例之间的关系，每个事件类型的平均实例编码作为原始的事件原型。
• Event Ontology Learning：基于事件类型之间的关系，获得具有事件原型相关的事件本体编码。
• Event Correlation Inference：基于现有的事件关系，推断新的事件相互关系。
  

2.1 Event Detection (Ontology Population)

使用BERT进行编码，使用[CLS]的编码作为实例编码$X_i$,然后使用对应事件类型的平均实例编码作为世界原型，公式如下：

事件检测的计算公式和Loss公示如下，其中$||\cdot ||$表示为Euclidean distance。

实例关系抽取：对于每个事件实例对$(X_i,X_j)$,特征表示为$X_{ij}^p=[X_i,X_j,X_i\odot X_j,X_i-X_j]$($\odot$为Hadamard product(对应元素相乘))，然后softmax计算概率，Loss为交叉熵，事件检测和实例关系抽取的总Loss公式如下：

2.2 Event Ontology Learning

使用事件的内部和外部结构计算事件本体，建立实例和事件类型之间的联系，有下面两种联系：

• Instance-to-class Linking：句子$S_i$和触发词$x_i^t$之间的联系，三元组为$(S_i,triggerIs,x_i^t)$、$(S_i,instanceOf,x_i^t)$。
• Class-to-class Linking：表示实例之间的联系，三元组表示为$(e_i,r,e_j)$

给定一个三元组$(e_h,r,e_t)$，通过一个关系转移矩阵$M_r$，将事件类型$e_h$的原型$P_h$传播到事件类型$e_t$的原型$P_t$，原型更新公式和Loss公式如下：

2.3 Event Correlation Inference

给定事件类型之间具有相关性的事件本体，推理新的事件相关性，过程如下：

选择三种关系属性(OWL24 Web Ontology Language中定义的(subOP, inverseOP、transitiveOP)，对关系进行线性映射假设，如下表：


计算和Loss公式如下，其中两个$M_r$(推理的约束如上表)分别是推理前和推理后的关系转移矩阵，$||\cdot ||$为Frobenius norm(平方和再开方)，

总的Loss如下：

3 实验

由于现有的事件检测数据集未标注事件关系，因此提出了一个新的数据集OntoEvent，统计信息如下：

全部数据的实验结果如下：

Few-shot的实验结果如下：


Zero-shot的实验结果如下：

消融实验：

错误分析，主要存在下面三种错误：

• 相似的事件结构
• 错误的实例关系
• 相同的事件提及表示不同的事件类型。