RAAT: محول الانتباه المُعزز بالعلاقة لنمذجة العلاقات في استخراج الأحداث على مستوى الوثيقة

في مهمة استخراج الأحداث على مستوى الوثيقة (DEE)، تتناثر حجج الأحداث عبر الجمل (مشكلة بين الجمل) وقد تحتوي وثيقة واحدة على أحداث متعددة (مشكلة الأحداث المتعددة). في هذا البحث، ندّعي أن معلومات العلاقة بين حجج الأحداث لها أهمية كبيرة في معالجة المشكلتين المذكورتين، ونقترح إطارًا جديدًا لاستخراج الأحداث على مستوى الوثيقة يمكنه نمذجة اعتمادات العلاقات، ويُسمى استخراج الأحداث على مستوى الوثيقة المعزز بالعلاقة (ReDEE). وبشكل أكثر تحديدًا، يتميز هذا الإطار بمتغير ترانسفورمر جديد ومصمم خصيصًا، يُطلق عليه اسم ترانسفورمر الانتباه المعزز بالعلاقة (RAAT). يتميز RAAT بقدرته على التقاط علاقات الحجج بمقياس متعدد وكمية متعددة. للاستفادة بشكل أكبر من معلومات العلاقة، نقدم مهمة منفصلة لتوقع علاقة الحدث ونتبنى طريقة التعلم متعدد المهام لتعزيز أداء استخراج الأحداث بشكل صريح. تثبت التجارب الشاملة فعالية الطريقة المقترحة، والتي يمكنها تحقيق أفضل النتائج على مستويين من قواعد البيانات العامة. رمزنا البرمجي متاح على https://github.com/TencentYoutuResearch/RAAT.