网站描述修改,专业合肥网站建设,网站建设费的摊销,黄岩网站制作本文转载自公众号#xff1a;浙大KG。 论文题目#xff1a;Meta-Learning with Dynamic-Memory-Based Prototypical Network for Few-Shot Event Detection本文作者#xff1a;邓淑敏#xff0c;浙江大学在读博士#xff0c;研究方向为低资源条件下知识图谱自动化构建关键… 本文转载自公众号浙大KG。 论文题目Meta-Learning with Dynamic-Memory-Based Prototypical Network for Few-Shot Event Detection本文作者邓淑敏浙江大学在读博士研究方向为低资源条件下知识图谱自动化构建关键技术研究发表会议WSDM 2020论文链接https://arxiv.org/abs/1910.11621FewEvent数据集链接: https://github.com/231sm/Low_Resource_KBP 事件抽取EE是一项旨在从非结构化文本中提取结构事件信息的任务它可以分两个子任务事件检测event detection与元素抽取argument extraction。事件检测需要找到事件描述文本中的触发词并将其对应到指定的事件类型元素抽取需要找到事件的参与元素并划分它们在事件中扮演的角色。本文基于目前事件抽取数据集的稀疏问题以及考虑到现实世界中的新事件层出不穷重新审视了事件检测任务。在元学习的设置下将事件检测建模成少样本学习任务遵循N-Way-K-Shot的实验设定称之为少样本事件检测FSED。图1: 模型架构本文提出了一个基于动态记忆的原型网络DMB-PN该网络利用动态记忆网络DMN为事件学习更好的原型模型架构如上图所示。传统的原型网络简单地通过平均计算事件描述event mention文本的编码来表示事件原型这样的做法只会用一次event mention的编码。考虑到每个事件的样本比较少我们希望尽可能多地利用样本的信息因此区别于传统的原型网络DMB-PN整合了DMN会多次从event mention中提取上下文信息也就是说DMB-PN会多次使用event mention的编码并且进行记忆存储和更新。我们分别在固定事件类别数N的设置下进行K-Shot的评估以及在固定每个事件类样本数K的设置下进行N-Way的评估。实验表明DMB-PN不仅比原型网络处理样本稀疏性的性能更好而且在类型数目增多和样本数目减少的时候性能更加稳定。此外动态记忆网络还用于学习模型中的事件原型和句子编码。具体来说我们在典型的DMN模块中使用触发词作为问题来产生存储向量从而产生对触发词更敏感的句子编码。由于DMN的多跳机制使得它更有利于充分利用事件实例因此基于DMN的模型在句子编码方面更健壮特别是在少样本场景中。部分实验结果如下所示表1: 5-Way-X-Shot的实验结果比较表2: 10-Way-X-Shot的实验结果比较图2: X-Way-15-Shot的实验结果比较总而言之这篇文章研究工作的主要贡献是1正式定义和提出“少样本事件检测”的新问题并生成了一个专门针对该问题名为FewEvent的新数据集2提出了一个基于动态记忆的原型网络的新框架DMB-PN该框架利用动态记忆网络不仅可以为事件类型学习更好的原型还可以为事件描述文本生成更健壮的句子编码3实验表明与记忆机制集成的原型网络的性能优于一系列的传统模型特别是当事件类型的种类相对较多且样本数量非常少时这是因为它具有从事件实例中多次提取上下文信息的能力。如果对本文的工作感兴趣欢迎大家阅读原文也欢迎大家和我们交流。 OpenKG开放知识图谱简称 OpenKG旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。
