许晶航¹,左万利^1,2,梁世宁¹,王英^1,2

¹(吉林大学计算机科学与技术学院 长春 130012);²(符号计算与知识工程教育部重点实验室(吉林大学) 长春 130012) (xujh17@mails.jlu.edu.cn)

出版日期: 2020-01-01


基金资助:国家自然科学基金项目(61976103，61872161)；吉林省技术攻关项目(20190302029GX)；吉林省自然科学基金项目(20180101330JC，2018101328JC)；吉林省发改委项目(2019C053-8)

Causal Relation Extraction Based on Graph Attention Networks

Xu Jinghang¹, Zuo Wanli^1,2, Liang Shining¹, Wang Ying^1,2

¹(College of Computer Science and Technology, Jilin University, Changchun 130012);²(Key Laboratory of Symbol Computation and Knowledge Engineering (Jilin University), Ministry of Education, Changchun 130012)

Online: 2020-01-01


Supported by:This work was supported by the National Natural Science Foundation of China(61976103, 61872161), the Project of Technical Tackle-key-problem of Jilin Province of China(20190302029GX), the Natural Science Foundation of Jilin Province of China(20180101330JC, 2018101328JC), and the Project of the Development and Reform Commission of Jilin Province (2019C053-8).

摘要/Abstract

摘要： 因果关系作为一种重要的关系类型在关系推理等许多领域中起着至关重要的作用，因此对因果关系进行抽取是文本挖掘中的一项基本任务.与传统文本分类方法或关系抽取不同，采用序列标注的方法可以抽取文本中的因果实体并确定因果关系方向，不需要依赖特征工程或因果背景知识.主要贡献有：1)拓展句法依存树到句法依存图，将图注意力网络应用到自然语言处理中，引入了基于句法依存图的图注意力网络的概念；2)提出Bi-LSTM+CRF+S-GAT因果关系抽取模型,根据输入的词向量生成句子中每个词的因果标签;3)对SemEval数据集进行修正与拓展，针对其存在的缺陷制定规则重新标注实验数据.在拓展后的SemEval数据集上进行了大量的实验，结果表明：该模型在预测准确率上比现有最优模型Bi-LSTM+CRF+self-ATT提高了0.064.

参考文献

相关文章 5

[1]	尉桢楷, 程梦, 周夏冰, 李志峰, 邹博伟, 洪宇, 姚建民. 基于类卷积交互式注意力机制的属性抽取研究[J]. 计算机研究与发展, 2020, 57(11): 2456-2466.
[2]	石文浩,孟军,张朋,刘婵娟. 融合CNN和Bi-LSTM的miRNA-lncRNA互作关系预测模型[J]. 计算机研究与发展, 2019, 56(8): 1652-1660.
[3]	叶静,邹博伟,洪宇,沈龙骧,朱巧明,周国栋. 汉语否定与不确定覆盖域检测[J]. 计算机研究与发展, 2019, 56(7): 1506-1516.
[4]	石乐义,朱红强,刘祎豪,刘佳. 基于相关信息熵和CNN-BiLSTM的工业控制系统入侵检测[J]. 计算机研究与发展, 2019, 56(11): 2330-2338.
[5]	李国臣, 王瑞波, 李济洪,. 基于条件随机场模型的汉语功能块自动标注[J]. , 2010, 47(2): 336-343.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4086