Key points are not available for this paper at this time.
Jüngste Arbeiten haben die Abstract Meaning Representation (AMR) für die Extraktion von Ereignisargumenten auf Dokumentebene (Doc-level EAE) eingeführt, da AMR eine nützliche Interpretation komplexer semantischer Strukturen bietet und hilft, langreichweitige Abhängigkeiten zu erfassen. In diesen Arbeiten wird AMR jedoch nur implizit verwendet, beispielsweise als zusätzliche Merkmale oder Trainingssignale. Motiviert durch die Tatsache, dass alle Ereignisstrukturen aus AMR abgeleitet werden können, reformuliert diese Arbeit EAE als ein Vorhersageproblem von Verbindungen auf AMR-Diagrammen. Da AMR eine generische Struktur ist und nicht perfekt für EAE geeignet ist, schlagen wir eine neuartige Diagrammstruktur vor, das Tailored AMR Graph (TAG), welches weniger informative Teilgraphen und Kantentypen komprimiert, Spannungsinformationen integriert und umgebende Ereignisse im gleichen Dokument hervorhebt. Mit TAG schlagen wir ferner eine neuartige Methode vor, die graphenbasierte neuronale Netze als Vorhersagemodell zur Auffindung von Ereignisargumenten verwendet. Unsere umfangreichen Experimente zu WikiEvents und RAMS zeigen, dass dieser einfachere Ansatz die fortschrittlichsten Modelle um 3.63pts und 2.33pts F1 übertrifft, und dies bei einer um 56% reduzierten Inferenzzeit.
Yang et al. (Sun,) haben diese Frage untersucht.