基于动态注意力匹配和图形注意力网络的联合事件提取模型

科学领域:

• 自然语言处理自然语言处理.
• 人工智能的人工智能
• 知识表示 知识表示

背景情况:

• 事件提取对于构建事件知识图表至关重要.
• 当前的模型与模糊/不熟悉的事件触发器和文本噪音作斗争.

研究的目的:

• 提出一个联合事件提取模型,解决关键词分类和降噪方面的挑战.
• 为了提高事件提取的准确性和稳定性,用于知识图的构建.

主要方法:

• 一个联合事件提取模型,集成动态注意力匹配和图表注意力网络.
• 动态注意力识别事件节点,并整合事件结构知识用于模式子图构建.
• 图表注意网络聚合了节点邻近的嵌入,区分语义和结构信息,同时减轻噪音.

主要成果:

• 拟议的模型在ACE2005数据集上显示了竞争性表现.
• 在事件提取中成功解决了模两可的触发词和文本噪声的挑战.

结论:

• 这种新型模型有效地提高了事件提取的准确性和稳定性.
• 动态注意力和图表注意力网络为事件知识图表构建提供了一个有前途的方法.