One for All: Neural Joint Modeling of Entities and Events

摘要

先前的工作都是利用现有的命名实体识别工具进行entity mention的识别，之后再进行event detection
本文提出基于共享隐藏层表示的entity mentions, event triggers and arguments联合抽取模型

创新

创新点可能就是题目吧，One for All，用一个模型解决三个问题，具体做法如下：

Entity Mention Detection

使用序列标注方法解决

Event Detection

假定每个Trigger是单个单词，使用单词分类方法解决

Argument Role Prediction

根据每个Trigger，对所有的Entity Mention进行分类判断其类别

模型

Sentence Encoding

• 词嵌入
• 表示POS, chunk, and dependency information的0-1向量

Sentence Representation

将上一步获得的Sentence Encoding输入到双向RNN中，获得Sentence Representation作为EMD，ED，ARP任务的共享表示
由于需要联合预测A，T，E，因此获得如下概率表达式

Entity Mention Detector

Trigger and Argument Prediction

首先预测Trigger，之后根据Trigger预测结果进行Argument预测

Argument预测的输入向量

Loss Function

实验

结论

一篇中规中矩的文章，值得学习的地方是联合概率的计算推导过程，现在可以用bert代替共享隐藏层