文章图片

文章图片
13、基于隐含结构推理网络的事件因果关系识别
Knowledge-EnrichedEventCausalityIdentificationviaLatentStructureInductionNetworks
传统的事件关系抽取方法仅利用文本语义推断事件关系 ， 忽略了背景知识 。很多情况下仅仅利用文本语义很难判断出事件之间的关系 。如何在复杂的真实应用场景中 ， 同时利用文本和知识联合推断事件关系 ， 是迫切亟待需要解决的问题 。
知识图谱中除了包含事件的描述性知识 ， 还包含事件之间的关联知识 ， 这类知识对预测事件因果关系非常有帮助 。本文采用基于隐含结构归纳网络和事件关联知识的事件因果关系抽取 。首先 ， 从知识图谱中获得事件之间的关联知识 ， 在知识图谱中 ， 事件之间的关联知识一般由一条多跳路径组成 ， 由于路径上有很多与因果无关的知识 ， 并且由于知识图谱的不完备性 ， 很多有用的知识没有标注出来 ， 因此直接使用多跳路径进行因果推理并不是最优的 。为了降低因果无关知识的影响以及捕获潜在的有用的知识 ， 我们提出一个隐含结构归纳网络 ， 能够基于事件之间的关联知识自动地学出一个最优的推理结构 。基于归纳出的推理结构 ， 我们执行因果关系推理 ， 从而预测出事件的因果关系 。

文章图片

文章图片
14、基于外部因果陈述自监督表示学习的事件因果关系识别
ImprovingEventCausalityIdentificationviaSelf
SupervisedRepresentationLearningonExternalCausalStatement
利用外部大量的因果陈述 ， 提升模型对因果关系语义的理解能力 ， 这些因果陈述可以提供充足的上下文相关因果模式 ， 有助于理解文本中事件的因果关系 。然而 ， 与ECI任务的标注数据不同 ， 外部因果陈述中没有标注事件 ， 模型很难直接从中学习上下文相关的因果模式帮助识别事件因果关系 。为了解决这个问题 ， 我们设计了一个基于自监督表示学习的事件因果关系识别模型(Self-SupervisedRepresentationLearningonExternalCausalStatement,CauSeRL) ， 从外部因果陈述中学习强化的因果表示 。具体来说 ， 从外部因果陈述中迭代抽样两个实例 ， 分别以其中一个因果陈述为目标 ， 学习它们之间的共性 。直觉上 ， 通过自监督学习到的不同因果陈述间的共性反映了文本中上下文相关的因果模式 ， 有助于在未见的实例中识别事件的因果关系 。
在基准数据集上的实验结果表明 ， 该方法可以有效增强事件因果关系的表示、提升事件因果关系识别的性能 ， 证明了我们的方法对于ECI任务的有效性 。

文章图片

文章图片

• 原神心海是几星（原神心海角色属性介绍）
• 今年的iphonese，还是你熟悉的模样
• 原神雷神是什么定位（原神手游雷神定位分析）
• 原神无尽骤战高分打法是什么（原神无尽骤战玩法技巧分享）
• 崩坏3V5.0版本累计消费活动是什么（崩坏3V5.0版本夏日活动介绍）
• 249克！开箱道通EVO Nano＋袖珍无人机：夜景是亮点
• 浓缩洗涤剂，还是老牌国货一轻日化好～
• 饿了么是不是只能用支付宝（饿了么平台运营详细解说）
• 微信朋友验证消息是怎么回事（?微信查看好友添加来源步骤）
• 妄想山海神树蕴养玩法是什么（妄想山海神树蕴养玩法思路介绍）