GraphERE: Jointly Multiple Event-Event Relation Extraction via Graph-Enhanced Event Embeddings

事件描述实体的状态变化。在文档中，多个事件通过各种关系（如共指、时间、因果和子事件）相互连接。因此，通过事件-事件关系提取（ERE）获取事件之间的连接对于理解自然语言至关重要。当前ERE工作中存在两个主要问题：a. 仅使用事件触发器的嵌入来表示事件特征，忽略事件参数（如时间、地点、人物等）及其在事件中的结构。b. 忽略关系之间的相互作用（例如，时间和因果关系通常相互作用）。为了解决上述问题，本文提出了一种基于图增强事件嵌入的联合多个ERE框架，称为GraphERE。首先，我们使用静态AMR图和IE图将事件嵌入丰富为事件参数和结构特征。然后，为了联合提取多个事件关系，我们使用节点转换器并为每种类型的关系构建任务特定的动态事件图。最后，我们使用多任务学习策略来训练整个框架。最新的MAVEN-ERE数据集上的实验结果验证了GraphERE明显优于现有方法。进一步的分析表明图增强事件嵌入和联合提取策略的有效性。

本文试图解决事件-事件关系提取中存在的问题，即当前方法仅使用事件触发词的嵌入表示，忽略了事件论元和结构特征，以及不考虑关系之间的相互影响。

本文提出了一种基于图增强事件嵌入的联合多事件关系提取框架GraphERE。首先，通过使用静态AMR图和IE图，使用事件论元和结构特征来丰富事件嵌入。然后，使用节点转换器和为每种关系类型构建任务特定的动态事件图来共同提取多个事件关系。最后，使用多任务学习策略来训练整个框架。

本文的实验结果表明，GraphERE明显优于现有方法。该方法的亮点包括使用图增强事件嵌入和联合提取策略。实验使用了最新的MAVEN-ERE数据集，并且开源了代码。

最近在此领域中的相关研究包括：《Jointly Extracting Event Triggers and Arguments by Dependency-Bridge RNN and Tensor-based Argument Interaction》、《A Joint Model for Event and Temporal Relation Extraction with Shared Representations》等。