Die dokumentenbasierte Ereignisextraktion (DEE) ist eine herausfordernde Aufgabe, da Argumente, die über mehrere Sätze verstreut sind, variabel lange Ereignislisten bilden. Bestehende Methoden nehmen oft einen autoregressiven Ansatz an, bei dem die Ereigniserkennung und die Argumentextraktion sequenziell durchgeführt werden. Einerseits limitiert dies die Interaktion zwischen globalen Ereignisinformationen und lokalen Argumentinformationen; andererseits können Fehler bei der Klassifizierung von Ereignistypen auf spätere Argumentextraktionen übergreifen. Um diese Probleme zu lösen, schlagen wir einen ereignis- und argumentbewussten Aufmerksamkeitsmechanismus vor, um die Fehlerausbreitung zu reduzieren, sowie ein gemeinsames Lernframework (JLF), um die Interaktion zwischen Ereignis- und Argumentinformationen zu verbessern. Darüber hinaus entwerfen wir eine vollständige Ereignistopologiedekomposition (ETD), die die Extraktion von variabel langen Ereignislisten über mehrere Sätze hinweg unterstützt. Umfangreiche Experimente zeigen, dass unsere Methode neue state-of-the-art Ergebnisse auf drei öffentlichen Datensätzen erzielt, mit einer Verbesserung von 10,6 % auf dem ChFinAnn-Datensatz, 5,6 % auf dem DuEE-Fin-Datensatz und 14,8 % auf dem FNDEE-Datensatz.
Jiang et al. (Thu,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: