计算机工程

作者：严海宁, 余正涛, 黄于欣, 宋燃, 杨溪

单位：1. 昆明理工大学信息工程与自动化学院, 云南 昆明 6505042. 昆明理工大学云南省人工智能重点实验室, 云南 昆明 650504

关键词：事件检测,稀疏标记,词性筛选,语义扩展,语义融合,动态多池化

基金：国家自然科学基金(U21B2027); 国家自然科学基金(61972186); 国家自然科学基金(62266028); 云南省重大科技专项计划(202202AD080003)

事件检测是事件抽取中的关键步骤，依赖于触发词进行事件类型分类。现有主流事件检测方法在稀疏标记数据上性能较差，模型过度拟合密集标注的触发词，在稀疏标记的触发词或者未见过的触发词上容易失效。改进方法通常通过扩充更多训练实例来缓解这一问题，但扩充后的数据分布不平衡，存在内置偏差，仍然表现不佳。为此，建立一种融合词性语义扩展信息的事件检测模型。对词粒度扩展信息进行分析，在不增加训练实例的条件下缩小候选触发词的范围，并对候选触发词进行语义扩展，挖掘候选触发词的上下文中蕴含的丰富语义，缓解了标记数据稀疏造成模型训练不充分的情况。通过词性筛选模块寻找候选触发词并对其进行语义扩展挖掘词粒度语义信息，融合句子粒度语义信息提升语义表征的鲁棒性，最终利用Softmax分类器进行分类完成事件检测任务。实验结果表明，该模型在ACE2005和KBP2015数据集上的事件检测任务中的F1值分别达到79.5%和67.5%，有效提升了事件检测性能，并且在稀疏标记数据实验中的F1值达到78.5%，明显改善了标记数据稀疏带来的不良影响。

来源：2024年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第3期