@正在进行的{lai-etal-2020事件,title=“事件检测:图卷积神经网络的门多样性和句法重要性评分”,author=“赖、越南达卡和Nguyen、Tuan Ngo和Nguyen,Thien Huu“,editor=“韦伯、邦妮和科恩、特雷弗和他、玉兰和刘,杨“,booktitle=“2020年自然语言处理实证方法会议论文集”,月=11月,年=“2020”,address=“在线”,publisher=“计算语言学协会”,url=“https://aclantology.org/2020.emnlp-main.435",doi=“10.18653/v1/2020.emnlp-main.435”,pages=“5405--5411”,abstract=“最近关于事件检测(ED)的研究表明,句法依赖图可以用于图卷积神经网络(GCN)以实现最先进的性能。然而,这种基于图形的模型中隐藏向量的计算与触发器候选词无关,可能会为事件预测的触发器候选词留下不相关的信息。此外,现有的ED模型未能利用单词的整体上下文重要性分数来提高性能,而这些分数可以通过依赖树获得。在本研究中,我们提出了一种新的选通机制,以基于触发器候选的信息过滤ED GCN模型隐藏向量中的噪声信息。我们还引入了新的机制来实现门的上下文多样性和ED中图和模型的重要性得分一致性。实验表明,该模型在两个ED数据集上达到了最先进的性能。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“lai-etal-2020-event”><标题信息>事件检测:图卷积神经网络的门多样性和句法重要性得分</titleInfo><name type=“personal”>越南<namePart type=“given”>Dac赖<角色>作者</角色></name><name type=“personal”>团组Ngo阮<namePart type=“family”>阮</namePart><角色>作者</角色></name><name type=“personal”>蒂恩Huu(Huu)阮<namePart type=“family”>阮</namePart><角色>作者</角色></name><originInfo><发布日期>2020-11</发布日期></originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>2020年自然语言处理实证方法会议记录</titleInfo><name type=“personal”>邦妮韦伯<namePart type=“family”>Webber</namePart><角色>编辑器</角色></name><name type=“personal”>特雷弗科恩<角色>编辑器</角色></name><name type=“personal”>玉兰他<角色>编辑器</角色></name><name type=“personal”>杨(Yang)刘<角色>编辑器</角色></name><originInfo><publisher>计算语言学协会</publisher><地点>在线</place></originInfo>会议出版物</relatedItem>最近关于事件检测(ED)的研究表明,语法依赖图可以用于图卷积神经网络(GCN),以获得最先进的性能。然而,这种基于图形的模型中隐藏向量的计算与触发器候选词无关,可能会为事件预测的触发器候选词留下不相关的信息。此外,现有的ED模型未能利用单词的整体上下文重要性分数来提高性能,而这些分数可以通过依赖树获得。在这项研究中,我们提出了一种新的门控机制,以基于来自触发候选者的信息来过滤ED的GCN模型的隐藏向量中的噪声信息。我们还引入了新的机制来实现门的上下文多样性和ED中图和模型的重要性得分一致性。实验表明,该模型在两个ED数据集上达到了最先进的性能</摘要>lai-etal-2020事件<identifier type=“doi”>10.18653/v1/2020.emnlp main.435</identifier><位置><网址>https://aclantology.org/2020.emnlp-main.435</url></位置><部分><日期>2020-11</日期><扩展单元=“page”><开始>5405</开始><end>5411</范围></部分></模块></modsCollection>
%0会议记录%T事件检测:图卷积神经网络的门多样性和句法重要性得分%越南阿来%A Nguyen、Tuan Ngo%阿阮,Thien Huu%Y Webber,邦妮%特雷弗·Y·科恩%Yu He,玉兰%Y Liu、Yang%2020年自然语言处理实证方法会议论文集%D 2020年%11月8日%计算语言学协会%C在线%F lai-etal-2020事件%X最近关于事件检测(ED)的研究表明,语法依赖图可以用于图卷积神经网络(GCN),以获得最先进的性能。然而,这种基于图形的模型中隐藏向量的计算与触发器候选词无关,可能会为事件预测的触发器候选词留下不相关的信息。此外,现有的ED模型未能利用单词的整体上下文重要性分数来提高性能,而这些分数可以通过依赖树获得。在本研究中,我们提出了一种新的选通机制,以基于触发器候选的信息过滤ED GCN模型隐藏向量中的噪声信息。我们还引入了新的机制来实现门的上下文多样性和ED中图和模型的重要性得分一致性。实验表明,该模型在两个ED数据集上达到了最先进的性能。%R 10.18653/v1/2020.emnlp-main.435%U型https://aclantology.org/2020.emnlp-main.435%U型https://doi.org/10.18653/v1/2020.emnlp-main.435%电话:5405-5411
降价(非正式)
【事件检测:图卷积神经网络的门多样性和句法重要性得分】(https://aclantology.org/2020.emnlp-main.435)(Lai等人,EMNLP 2020)
国际计算语言学协会