【论文标题】Joint Constrained Learning for Event-Event Relation Extraction 【作者团队】Haoyu Wang, Muhao Chen, Hongming Zhang, Dan Roth 【发表时间】2020.10.13 【论文链接】https://arxiv.org/abs/2010.06727 【论文代码】https://cogcomp.seas.upenn.edu/page/publication_view/914 【推荐理由】论文收录于EMNLP-2020会议，提出一个联合约束学习框架从文档中抽取事件复合体，将逻辑约束转换为可微分的学习目标，在两个基准数据集上获得了最先进的性能。

理解自然语言需要认识到多个事件提及在结构上和时间上是如何相互作用的。在这个过程中，人们可以诱导出事件复合体，这些复合体组织了多粒度的事件，它们之间交织着时间顺序和成员关系。由于这些关系现象缺乏联合标注的数据，以及它们所阐述的结构的限制，研究人员提出了一个联合约束学习框架来对事件-事件关系进行建模。具体来说，该框架通过将这些约束条件转换为可微分的学习目标，在多个时间关系和子事件关系内和跨时间关系中实施逻辑约束。实验结果表明，联合约束学习方法有效地补偿了联合标记数据的缺乏，并在时间关系提取和事件层次结构构建的基准上优于当前最优方法，能够取代常用但更昂贵的全局推理过程。研究人员还提出了一个很有前景的案例研究，展示了该方法在外部语料库上诱导事件复合体的有效性。

图：联合约束学习框架

内容中包含的图片若涉及版权问题，请及时与我们联系删除