文章目录
一、Argument Feature
基本假设
如果两个event mention的扮演同一角色的argument互不兼容，那么这两个event mention就不可能指向同一事件，反之就有可能指向同一事件。
常用的 argument feature
- the number of overlapping arguments
- the number of unique arguments
- whether arguments are conflicting have been proposed
- argument pair之间的相似性特征
问题
这些特征都是通过event argument extractors，entity coreference resolvers，
或者parser来得到的，从而导致级联错误。
二、Learn Argument Compatibility from Unlabled Data
2.1 Overview
为了解决上述问题，作者提出了一种基于迁移学习的方法来从大量无标注数据中学习argument compatibility。如上图所示，作者的方法分为两部分：
预训练阶段
在预训练阶段，作者采集了5个不同来源的新闻语料，然后通过event extractor来提取event pairs，接着通过一组启发式规则来给event pairs打标签（compatible or imcompatible）。数据标注完成后，使用这些数据来训练一个判断event pairs的argument之间是否compatible的二分类器。
Fine-tune阶段
预训练结束后，可以认为模型已经学习到了argument compatibility的知识。为了利用这些知识，作者直接将这个模型迁移到事件共指消解任务上，在相应数据集（KBP）上进行微调。
2.2 Model
在模型方面，作者则是在BiLSTM的基础之上增加了Interaction Layer来获取event mention pairs之间的语义关系，并通过相关实验证明了Interaction Layer的有效性。模型结构如图所示：