王俊^1,3,史存会^1,3,张瑾²,俞晓明¹,刘悦¹,程学旗^2,3

¹（中国科学院计算技术研究所数据智能系统研究中心 北京 100190）；²（中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所) 北京 100190）；³（中国科学院大学 北京 100049) (wyswangjun@163.com)

出版日期: 2021-11-01


基金资助:国家自然科学基金面上项目(91746301，61772498)；国家重点研发计划项目(29198220，2017YFC0820404)

Document-Level Event Temporal Relation Extraction with Context Information

Wang Jun^1,3, Shi Cunhui^1,3, Zhang Jin², Yu Xiaoming¹, Liu Yue¹, Cheng Xueqi^2,3

¹（Data Intelligence System Research Center, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190);²(CAS Key Laboratory of Network Data Science and Technology (Institute of Computing Technology, Chinese Academy of Sciences), Beijing 100190);³(University of Chinese Academy of Sciences, Beijing 100049)

Online: 2021-11-01


Supported by:This work was supported by the General Program of the National Natural Science Foundation of China (91746301, 61772498) and the National Key Research and Development Program of China (29198220, 2017YFC0820404).

摘要/Abstract

摘要： 事件时序关系抽取是一项重要的自然语言理解任务，可以广泛应用于诸如知识图谱构建、问答系统等任务.已有事件时序关系抽取方法往往将该任务视为句子级事件对的分类问题，而基于有限的局部句子信息导致其抽取的事件时序关系的精度较低，且无法保证整体时序关系的全局一致性.针对此问题，提出一种融合上下文信息的篇章级事件时序关系抽取方法，使用基于双向长短期记忆(bidirectional long short-term memory, Bi-LSTM)的神经网络模型学习文章中事件对的时序关系表示，再利用自注意力机制融入上下文中其他事件对信息，从而得到更丰富的事件对时序关系表示用于时序关系分类.通过TB-Dense(timebank dense)和MATRES(multi-axis temporal relations for start-points)数据集的实验表明：此方法能够取得比当前主流的句子级方法更佳的抽取效果.

参考文献

相关文章 5

[1]	郭磊, 李秋菊, 刘方爱, 王新华. 基于自注意力网络的共享账户跨域序列推荐[J]. 计算机研究与发展, 2021, 58(11): 2524-2537.
[2]	许晶航, 左万利, 梁世宁, 王英. 基于图注意力网络的因果关系抽取[J]. 计算机研究与发展, 2020, 57(1): 159-174.
[3]	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.
[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]	孙小婉,王英,王鑫,孙玉东. 面向双注意力网络的特定方面情感分析模型[J]. 计算机研究与发展, 2019, 56(11): 2384-2395.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4529