通过篇章结构和语义信息增强跨文档事件共指消解

现有的跨文档事件共指消解模型要么直接计算指称相似度，要么通过提取事件论元（如地点、时间、施事和受事）来增强指称表征，缺乏利用文档级信息的能力。因此，它们难以捕捉长距离依赖关系。这一缺点导致它们在确定论元信息依赖于长距离依赖的事件共指时表现不佳。针对这些局限性，我们提出构建文档级修辞结构理论（RST）树和跨文档词汇链（Lexical Chains）来对文档的结构和语义信息进行建模。随后，构建跨文档异构图并利用 GAT 学习事件的表征。最后，配对评分器计算每对事件之间的相似度，并可以使用标准聚类算法识别共指事件。此外，由于现有的跨文档事件共指数据集仅限于英语，我们构建了一个大规模中文跨文档事件共指数据集来填补这一空白，该数据集包含 53,066 个事件指称和 4,476 个聚类簇。分别在英语和中文数据集上应用我们的模型后，其性能均大幅优于所有基线模型。