论文笔记 ACL 2020|Towards Open Domain Event Trigger Identification using Adversarial Domain Adaptation

本文主要是介绍论文笔记 ACL 2020|Towards Open Domain Event Trigger Identification using Adversarial Domain Adaptation,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 1 简介
      • 1.1 动机
      • 1.2 创新
    • 2 方法
    • 3 实验

1 简介

论文题目:Towards Open Domain Event Trigger Identification using Adversarial Domain Adaptation
论文来源:ACL 2020
论文链接:https://arxiv.org/pdf/2005.11355.pdf
代码链接:https://github.com/aakanksha19/ODETTE

1.1 动机

  • 监督事件抽取有一个缺陷:不能泛化到来自不同域或包含不同事件类型的数据。

1.2 创新

  • 使用对抗领域自适应的框架构建表示,使用对抗训练,预测触发词,但是不预测样本的领域(使其领域无关)。
  • 不需要带标签的目标领域数据,是无监督的。

2 方法

在这里插入图片描述
整个框架如上图所示,主要包括下面三个部分:

  • 表示学习:使用LSTM、BiLSTM、POS(输入拼接词性标签,然后使用BiLSTM进行编码)、BERT(使用BERT的上下文token表示,然后使用一个BiLSTM)
  • 事件分类:使用MLP完成token级别的分类。
  • 领域预测:使用Pool+MLP进行领域预测。

原领域数据集为 D s = ( x 1 s , e 1 s ) , . . . , ( x n s , e n s ) D^s={(x_1^s,e_1^s),...,(x_n^s,e_n^s)} Ds=(x1s,e1s),...,(xns,ens),其中 e i s e_i^s eis为事件标签,使用原领域的数据集和未标注的目标领域数据构造 D a = ( x 1 a , d 1 a ) , . . . , ( x n a , d n a ) D^a={(x_1^a,d_1^a),...,(x_n^a,d_n^a)} Da=(x1a,d1a),...,(xna,dna),其中 d i s d_i^s dis为领域标签。首先使用 D a D^a Da训练领域预测,公式如下:
在这里插入图片描述
然后训练事件分类,公式如下:
在这里插入图片描述
优化上述公式使用了梯度反转层(前向传播时不变,反向传播时将梯度放缩为 − λ -\lambda λ),优化公式如下:
在这里插入图片描述

3 实验

数据集使用LitBank和TimeBank,数据统计如下:
在这里插入图片描述
从LitBank迁移到TimeBank的实验结果如下:
在这里插入图片描述
从TimeBank迁移到LimBank的实验结果如下:
在这里插入图片描述
对抗领域自适应的例子分析:
在这里插入图片描述
使用少量数据进行微调:
在这里插入图片描述
使用自训练的方式,首先使用标注数据训练一个教师模型(本文提出的问题),然后使用教师模型对未标注的数据进行标注,最后使用全部的数据训练学生模型(普通bert)。算法流程和实验结果如下:
在这里插入图片描述
在这里插入图片描述

这篇关于论文笔记 ACL 2020|Towards Open Domain Event Trigger Identification using Adversarial Domain Adaptation的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/577965

相关文章

Python 中的 with open文件操作的最佳实践

《Python中的withopen文件操作的最佳实践》在Python中,withopen()提供了一个简洁而安全的方式来处理文件操作,它不仅能确保文件在操作完成后自动关闭,还能处理文件操作中的异... 目录什么是 with open()?为什么使用 with open()?使用 with open() 进行

SpringQuartz定时任务核心组件JobDetail与Trigger配置

《SpringQuartz定时任务核心组件JobDetail与Trigger配置》Spring框架与Quartz调度器的集成提供了强大而灵活的定时任务解决方案,本文主要介绍了SpringQuartz定... 目录引言一、Spring Quartz基础架构1.1 核心组件概述1.2 Spring集成优势二、J

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言:为什么要自建知识博客一、技术选型:极简主义开发栈二、系统架构设计三、核心代码实现(分步解析

Ollama整合open-webui的步骤及访问

《Ollama整合open-webui的步骤及访问》:本文主要介绍如何通过源码方式安装OpenWebUI,并详细说明了安装步骤、环境要求以及第一次使用时的账号注册和模型选择过程,需要的朋友可以参考... 目录安装环境要求步骤访问选择PjrIUE模型开始对话总结 安装官方安装地址:https://docs.

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear