论文标题：

SPEECH: Structured Prediction with Energy-Based Event-Centric Hyperspheres

收录会议：

ACL 2023 Main Conference

论文链接：

https://arxiv.org/abs/2305.13617

开源链接：

https://github.com/zjunlp/SPEECH

总述

以事件为中心的结构化预测旨在输出事件的结构化组件。事件结构往往比较复杂，而且结构间存在多种依赖，比如 Token 之间的长距离依赖、触发词和事件类别之间的关联、以及事件类别和事件关系之间的依赖。

为了解决这些问题，本文提出了基于能量的超球体（SPEECH）以解决以事件为中心的结构化预测任务。SPEECH 使用基于能量的建模对事件结构化组件之间的复杂依赖进行建模，并使用简单但有效的超球体来表示事件类别。在 MAVEN-ERE 和 OntoEvent-Doc 两个事件数据集上进行的实验表明，SPEECH 模型在事件检测和事件关系抽取任务上表现不俗。

▲ 以事件为中心的结构化预测任务示例

方法

SPEECH 模型的设计灵感主要来源于万有引力定律和能量函数。如果把抽象的事件类别看成电子核/恒星，其对应的样本就可看成核外电子/行星。因此本文提出利用基于能量的超球体来建模事件类别及其样本。模型主要与 token、sentence、document 三种维度的能量相关联。

▲ SPEECH模型概览

（1）Token 级别的能量

能量函数：

损失函数：

这里主要考虑了 token 之间（local）和 token 类别之间（label）的能量。

（2）Sentence 级别的能量

本文用一个基于能量的超球体来表示每个事件，事件类别表示成球体质心，事件样本被尽可能约束在球体表面，超球体的度量公式表示为：

能量函数：

损失函数：

这里主要考虑了事件之间（local）和事件类别之间（label）的能量。

（3）Document级别的能量

能量函数：

损失函数：

这里主要考虑了事件对之间（local）和事件关系类别之间（label）的能量。

实验

本文主要在三类以事件为中心的结构化预测任务上进行了实验，用到的数据集是最新发布的 MAVEN-ERE 以及 OntoEvent-Doc。由于 MAVEN-ERE 没有直接发布测试集标签，本文的实验是在 MAVEN-ERE 的验证集以及 OntoEvent-Doc 的测试集上进行的。

（1）触发词分类（针对token）

（2）事件分类（针对event mention）

（3）事件关系抽取（针对event mention pair）

可以发现 SPEECH 模型在 MAVEN-ERE 数据集的触发词分类以及事件分类任务上表现颇佳，在 OntoEvent-Doc 数据集的触发词分类以及事件关系分类上优势明显。总体来看 SPEECH 模型表现不俗，但其效果也会受到数据集以及数据分布的影响。

如果对本文工作感兴趣，文章详细信息可以查看论文。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：hr@paperweekly.site 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·