• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

融合上下文信息的篇章级事件时序关系抽取方法

王俊, 史存会, 张瑾, 俞晓明, 刘悦, 程学旗

王俊, 史存会, 张瑾, 俞晓明, 刘悦, 程学旗. 融合上下文信息的篇章级事件时序关系抽取方法[J]. 计算机研究与发展, 2021, 58(11): 2475-2484. DOI: 10.7544/issn1000-1239.2021.20200627
引用本文: 王俊, 史存会, 张瑾, 俞晓明, 刘悦, 程学旗. 融合上下文信息的篇章级事件时序关系抽取方法[J]. 计算机研究与发展, 2021, 58(11): 2475-2484. DOI: 10.7544/issn1000-1239.2021.20200627
shu
Wang Jun, Shi Cunhui, Zhang Jin, Yu Xiaoming, Liu Yue, Cheng Xueqi. Document-Level Event Temporal Relation Extraction with Context Information[J]. Journal of Computer Research and Development, 2021, 58(11): 2475-2484. DOI: 10.7544/issn1000-1239.2021.20200627
Citation: Wang Jun, Shi Cunhui, Zhang Jin, Yu Xiaoming, Liu Yue, Cheng Xueqi. Document-Level Event Temporal Relation Extraction with Context Information[J]. Journal of Computer Research and Development, 2021, 58(11): 2475-2484. DOI: 10.7544/issn1000-1239.2021.20200627
shu
王俊, 史存会, 张瑾, 俞晓明, 刘悦, 程学旗. 融合上下文信息的篇章级事件时序关系抽取方法[J]. 计算机研究与发展, 2021, 58(11): 2475-2484. CSTR: 32373.14.issn1000-1239.2021.20200627
引用本文: 王俊, 史存会, 张瑾, 俞晓明, 刘悦, 程学旗. 融合上下文信息的篇章级事件时序关系抽取方法[J]. 计算机研究与发展, 2021, 58(11): 2475-2484. CSTR: 32373.14.issn1000-1239.2021.20200627
shu
Wang Jun, Shi Cunhui, Zhang Jin, Yu Xiaoming, Liu Yue, Cheng Xueqi. Document-Level Event Temporal Relation Extraction with Context Information[J]. Journal of Computer Research and Development, 2021, 58(11): 2475-2484. CSTR: 32373.14.issn1000-1239.2021.20200627
Citation: Wang Jun, Shi Cunhui, Zhang Jin, Yu Xiaoming, Liu Yue, Cheng Xueqi. Document-Level Event Temporal Relation Extraction with Context Information[J]. Journal of Computer Research and Development, 2021, 58(11): 2475-2484. CSTR: 32373.14.issn1000-1239.2021.20200627
shu

融合上下文信息的篇章级事件时序关系抽取方法

  • 1(中国科学院计算技术研究所数据智能系统研究中心 北京 100190)

  • 2(中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所) 北京 100190)

  • 3(中国科学院大学 北京 100049) (wyswangjun@163.com)

基金项目: 国家自然科学基金面上项目(91746301，61772498)；国家重点研发计划项目(29198220，2017YFC0820404)
详细信息

  • 中图分类号: TP391

Document-Level Event Temporal Relation Extraction with Context Information

  • 1(Data Intelligence System Research Center, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190)

  • 2(CAS Key Laboratory of Network Data Science and Technology (Institute of Computing Technology, Chinese Academy of Sciences), Beijing 100190)

  • 3(University of Chinese Academy of Sciences, Beijing 100049)

Funds: This work was supported by the General Program of the National Natural Science Foundation of China (91746301, 61772498) and the National Key Research and Development Program of China (29198220, 2017YFC0820404).

HTML全文

    摘要
  • 摘要: 事件时序关系抽取是一项重要的自然语言理解任务，可以广泛应用于诸如知识图谱构建、问答系统等任务.已有事件时序关系抽取方法往往将该任务视为句子级事件对的分类问题，而基于有限的局部句子信息导致其抽取的事件时序关系的精度较低，且无法保证整体时序关系的全局一致性.针对此问题，提出一种融合上下文信息的篇章级事件时序关系抽取方法，使用基于双向长短期记忆(bidirectional long short-term memory, Bi-LSTM)的神经网络模型学习文章中事件对的时序关系表示，再利用自注意力机制融入上下文中其他事件对信息，从而得到更丰富的事件对时序关系表示用于时序关系分类.通过TB-Dense(timebank dense)和MATRES(multi-axis temporal relations for start-points)数据集的实验表明：此方法能够取得比当前主流的句子级方法更佳的抽取效果.
    Abstract: Event temporal relation extraction is an important natural language understanding task, which can be widely used in downstream tasks such as construction of knowledge graph, question answering system and narrative generation. Existing event temporal relation extraction methods often treat the task as a sentence-level event pair classification problem, and solve it by some classification model. However, based on limited local sentence information, the accuracy of the extraction of temporal relations among events is low and the global consistency of the temporal relations cannot be guaranteed. For this problem, this paper proposes a document-level event temporal relation extraction with context information, which uses the neural network model based on Bi-LSTM (bidirectional long short-term memory) to learn the temporal relation expressions of event pairs, and then uses the self-attention mechanism to combine the information of other event pairs in the context, to obtain a better event temporal relation expression for temporal relation classification. At last, that event temporal relation expression with context information will improve the global event temporal relation extraction by enhancing temporal relation classification of all event pairs in the document. Experiments on TB-Dense (timebank dense) dataset and MATRES (multi-axis temporal relations for start-points) dataset show that this method can achieve better results than the latest sentence-level methods.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(48)

  • 期刊类型引用(20)

    1. 马行坡，闫梦凡，闵洁，殷明. 一种基于“云-边”协同计算的新安全联邦学习方案. 信阳师范大学学报(自然科学版). 2025(01): 66-71 . 百度学术
    2. 白静，许建军，张龙昌. 随机供需云环境中应用提供商收益驱动的最优资源协同配置策略. 信息系统学报. 2025(01): 105-127 . 百度学术
    3. 何涵，刘鹏，赵亮，王青山. 无人机任务卸载与充电协同优化. 工程科学与技术. 2024(01): 99-109 . 百度学术
    4. 朱思峰，蔡江昊，柴争义，孙恩林. 车联网边缘场景下基于免疫算法的计算卸载优化. 吉林大学学报(工学版). 2024(01): 221-231 . 百度学术
    5. 陈晶腾，陈芳. 分布式新能源接入的配电网降损技术研究. 自动化与仪器仪表. 2024(06): 291-295 . 百度学术
    6. 白静，张龙昌. 云应用提供商收益驱动的最佳云资源配置策略. 计算机集成制造系统. 2024(07): 2495-2505 . 百度学术
    7. 冯起，薛喜红，任龙，冯英. 考虑云端距离的科技服务边缘计算资源均衡调度算法. 自动化技术与应用. 2024(08): 95-98+104 . 百度学术
    8. 纪雯，杨哲铭，王智，郭斌，沈博. 视觉端边云融合架构:面向超级智慧城市群演进的关键技术. 中国科学:信息科学. 2024(11): 2518-2532 . 百度学术
    9. 赵璞，肖人彬. 基于自组织劳动分工的边云协同任务调度与资源缓存算法. 控制与决策. 2023(05): 1352-1362 . 百度学术
    10. 唐续豪，刘发贵，王彬，李超，蒋俊，唐泉，陈维明，何凤文. 跨云环境下任务调度综述. 计算机研究与发展. 2023(06): 1262-1275 . 本站查看
    11. 原静，孙骏. 基于边缘计算的智能电网数据调度与快速分发方法. 信息与电脑(理论版). 2023(06): 226-229 . 百度学术
    12. 刘鲤君，丁红，祁鸿燕，杜丽华，孙艳丽，姜宁. PaaS架构后端管理平台的云边协同调度算法设计. 现代电子技术. 2023(16): 91-96 . 百度学术
    13. 徐胜超. 基于混合蛙跳算法的容器云资源低能耗部署方法. 重庆邮电大学学报(自然科学版). 2023(05): 952-959 . 百度学术
    14. 何卫刚，王晓敏. 多技术辅助的高可靠矿井通信网络框架. 陕西煤炭. 2023(06): 150-153 . 百度学术
    15. 蒋伟进，孙永霞，朱昊冉，陈萍萍，张婉清，陈君鹏. 边云协同计算下基于ST-GCN的监控视频行为识别机制. 南京大学学报(自然科学). 2022(01): 163-174 . 百度学术
    16. 周伟，谢志强. 考虑多工序设备权重的资源协同综合调度算法. 电子与信息学报. 2022(05): 1625-1635 . 百度学术
    17. 李凌，陈曦，沈维捷，熊汉武，蔡冉冉. 面向电工装备智能监造的边缘缓存策略. 计算机与现代化. 2022(05): 61-67 . 百度学术
    18. 关天柱. 基于随机优化的边缘网络任务资源协同传输调度机制. 长江信息通信. 2022(06): 59-61 . 百度学术
    19. 邓勇琛，胡忠波，王素贞. 边缘计算环境下的任务调度综述. 河北省科学院学报. 2022(04): 1-7 . 百度学术
    20. 王其朝，金光淑，李庆，王锴，杨祖业，王宏. 工业边缘计算研究现状与展望. 信息与控制. 2021(03): 257-274 . 百度学术

    其他类型引用(28)

    • 资源附件(0)
计量
  • 文章访问数:  676
  • HTML全文浏览量:  5
  • PDF下载量:  409
  • 被引次数: 48
出版历程
  • 发布日期:  2021-10-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(48)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计