论文浅尝 | 基于事理图谱的脚本事件预测

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

论文笔记整理：邱圣广，南京大学硕士，研究方向为自然语言处理。

 

 

链接： https://www.ijcai.org/proceedings/2018/0584.pdf

 

绪论

 

1.   脚本事件预测

 

脚本事件预测这个任务最早是由 Chambers andJurafsky 于 2008 年提出来的，要求给定一个事件的上下文 ( context )，需要从候选列表中选出接下来最可能要发生的事件，如下图所示：

 

 

这是在餐馆场景下发生的一系列事件，根据已经发生的事件， 5个候选事件中下一个最可能发生的事件就是离开餐馆( leave )。

 

2.   亮点

 

现有的关于脚本事件预测的方法主要是基于事件对和事件链的，但是会存在以下缺陷，如下图所示：

 

 

给定上下文： enter,order,serve ， 现在要从 talk 和 eat 这两个候选事件中选出下一个最可能发生的事件。在基于事件对和事件链的方法中，如（ b）所示，在训练的时候，会发现（ serve,talk ）一起出现的频率要高于（ serve,eat ），因此在预测的时候选择 talk 的概率会更高；而在基于事件图结构（即事理图谱）的方法中，如（ c）所示，（ order ， serve ， eat ）构成了一个强联通分量，这暗示了 eat 更可能是正确答案。

 

3.   论文贡献

 

（1）   第一个在脚本事件预测这个任务上提出基于图结构的方法

 

（2）   提出一个大规模图神经网络（ Scaled Graph Neural Network ），从而可以对大规模稠密有向图中的事件关系进行建模，进而学习出更好的事件表示。

 

模型

 

1.   事理图谱（ NEEG ）的构建

 

（1）   从语料库中抽取事件链

 

从语料库中抽出所有事件链： , 其中   表示一个事件链 ,   e_i 表示事件，采用四元组 的形式表示，其中 p 表示谓语动词 , a0, a1,a2 分别表示谓语动词的主语、直接宾语、间接宾语； T 则是被这个事件链中所有事件共享的主人公。下面是一个事件链的例子： s_i = {T=customer, walk{T,restaurant,-}, seat(T,-,-), read(T,menu,-), order(T,food,-),serve(waiter,food,T),eat(T,food,fork)} 。

 

（2）   根据事件链构建图谱

 

根据抽出的事件链，事理图谱就可以形式化定义成一个图结构 ，其中 中 每个节点代表事件，   中每条边表示事件之间的关系。

 

•          为了解决稀疏问题，在图谱中每个事件都采用一种叫做谓词语法（ predicate-GR ）的形式 (v_i, r_i) 来表示，其中 v_i 表示为谓语动词， r_i 表示谓语动词与链实体 之间的语法依赖关系，如 eat(T,food,fork) 用 predicate-GR 表示就是 (eat,subj) 。

 

•          然后每条有向边 的权重就可以通过以下公式计算得到：

 

 

2.   大规模图神经网络（ SGNN ）

 

SGNN 在 GGNN 的基础上进行改进，在训练阶段借鉴了分治的思想，只将当前所需子图作为训练样本，从而克服了 GGNN 不能处理大规模图的缺陷。整个模型的框架图如下所示：

 

 

其中（ a）为部分事理图谱，（b）为本次训练所需子图，（c）为网络结构图，分为三部分：表示层、 GGNN 、相关性计算。下面将对这三部分进行介绍：

 

•          表示层

 

将输入的事件转成向量表示（即初始化），给定一个事件 ，分别获得谓语动词以及参数的 word embedding ，即 ，文中采用三种不同的方法获取事件 e_i 的表示 ：

 

 

•          GGNN

 

GGNN 用于更新事件表示， GGNN 的输入为两个矩阵：初始隐藏层 ,  邻接矩阵 ， n, k 分别表示上下文事件、候选事件的个数，其中：

 

 

然后通过各种门不断地进行更新、计算，最终得到所有事件的最终表示h^t

 

 

•          相关性计算

 

获取最终表示  后，就可以计算 context 和候选事件之间的相关性：

 

 

其中 g 表示相似度计算函数，常用的有以下几种：

 

 

然后给定上下文 : e_1, e_2,…e_n ，候选事件 发生的可能性为：

 

 

选择可能性最大的候选事件。

 

•          Attention 机制

 

考虑到不同 context 在选择候选事件的时候占有的比重应该不同，所以作者加了一个 attention 机制，用来计算每个 context 对每个候选事件的权重，最后得到新的相似度计算函数：

 

 

 

•          目标函数

 

 

其中  表示第 I 个 context 和第 j 个候选事件之间的相似度， y 表示正确答案的下标， margin 表示的是 Margin loss 参数，  θ 表示模型参数。

 

实验

 

1.   数据集

 

数据集采用的是 Gigaword 语料库中的 NYT 部分，其统计情况如下：

 

 

2.   实验结果

 

 

作者与很多 baseline 进行了比较，实验结果表明：

 

（1）   基于神经网络的模型要比传统统计学习的模型要好。

 

（2）   基于事件图结构的模型要优于基于事件对或事件链的模型。

 

（3）   加了 attention 能够提高实验效果，说明不同 context 在选择时所占权重是不同的。

 

（4）   作者将自己的模型与 baseline 方法进行了结合，实验效果有不同程度的改变。

 

3.   比较性实验

 

 

作者还在验证集上进行了比较性的实验，从实验结果可以看到，采用连接方式获取事件表示，以及采用欧拉距离作为相似函数的时候，模型效果最好。

 

结论

 

本文提出了一种基于事理图谱的脚本事件预测方法，通过引入一个大规模图神经网络，用来对事件关系进行建模并学习事件表示。通过实验结果表明，基于事件图结构的方法要比基于事件对、事件链的方法好。