科研之友
微信
新浪微博
Facebook
分享链接
摘要
事件抽取是项重要的信息抽取任务，旨在抽取文本中的事件信息。目前基于多任务学习的事件联合抽取方法大多基于硬参数共享，此类方法往往会导致跷跷板现象的出现，即一项任务的性能往往通过损害另一项任务的性能来提高。为了解决这一问题，提出了一种基于软参数共享的事件联合抽取方法，该方法明确地分离了共享参数和任务特定参数，并通过双层门控网络增强模型提取和筛选语义知识的能力，使模型能同时为两个任务学习到合适的特征表示，实现了更高效的信息共享和联合表示学习。在DuEE1.0公共数据集上进行了实验，使用准确率、召回率、F1值作为评价指标，并通过对比实验和消融实验验证了方法的有效性。对比基于硬参数共享的联合抽取模型事件识别任务F1值提高了2.0%,论元角色分类任务F1值提高了0.9%,有效地缓解了跷跷板现象的出现，验证了方法的有效性。
- 单位
