科研之友
微信
新浪微博
Facebook
分享链接
摘要
事件时序关系分类是自然语言理解任务的重要内容,也是十分具有挑战性的一项任务。已有的深度学习方法绝大部分都聚焦在英文上,且局限于只提取同句和邻句的事件时序关系,而忽略了跨句的时序关系。面对这样的挑战,文章针对中文提出了一种基于BERT(Bidirectional Encoder Representation from Transformers)和BiLSTM(Bi-directional Long Short-Term Memory)融合了多维度事件信息的事件时序关系识别模型TRIMI(Chinese Event Temporal Relation Identification on Multi-dimensional Information)。该模型从事件句、事件属性和事件间的联合路径三个维度入手,利用BERT挖掘事件句的语义信息,利用联合最短依存路径来更好地表示句内两个事件在句法信息上的关联性,利用事件属性挖掘跨句事件在时序上的差异。在中文时序关系语料库上的实验表明,不论在同句还是跨句情况下,本文模型均比基准系统取得了更好的性能。
- 单位
