문서 수준 사건 추출 (DEE)은 여러 문장에 흩어져 있는 인자들로 인해 가변 길이의 사건 목록을 형성하기 때문에 도전적인 과제입니다. 기존 방법들은 종종 자기 회귀 방식으로 사건 식별과 인자 추출을 순차적으로 수행합니다. 한편으로는, 이것이 전반적인 사건 정보와 지역적 인자 정보 간의 상호작용을 제한하고, 다른 한편으로는 사건 유형 분류에서 발생한 오류가 이후 인자 추출로 전파될 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 오류 전파를 줄이기 위한 사건 및 인자 인식 주의 메커니즘과 사건과 인자 정보 간의 상호작용을 강화하기 위한 공동 학습 프레임워크 (JLF)를 제안합니다. 또한, 우리는 여러 문장에 걸쳐 가변 길이의 사건 목록 추출을 지원하는 완전한 사건 토폴로지 분해 (ETD)를 설계했습니다. 광범위한 실험 결과, 우리 방법은 세 개의 공개 데이터셋에서 새로운 최첨단 성능을 달성했으며, ChFinAnn 데이터셋에서는 10.6%, DuEE-Fin 데이터셋에서는 5.6%, FNDEE 데이터셋에서는 14.8% 개선을 보였습니다.
Jiang et al. (Thu,)은 이 질문을 연구했습니다.