
摘要
过去十年的事件排序研究主要集中在学习文档中事件与时间表达式之间的部分顺序关系。目前最常用的语料库——TimeBank——仅包含可能的排序图中的一小部分。大多数评估方法也沿袭这一做法,仅测试特定事件对之间的关系(例如,仅限相邻句子中的主要动词)。这种局限性导致多数研究集中于针对部分标注的特定学习器。本文旨在推动讨论从识别部分关系转向全面识别所有关系。我们提出了在强连通事件图上的新实验,其每篇文档包含的关联关系数量约为TimeBank的10倍。同时,我们提出一种从单一学习器向基于筛子(sieve-based)架构的转变,该架构能够自然地将多个学习器融合为一个按精度排序的级联筛子结构。每个筛子逐个为事件图添加标签,且早期筛子通过传递闭包为后续筛子提供信息。因此,本文在方法与任务层面均提出了创新。我们在迄今为止最密集的事件图上进行了实验,结果表明,相比当前最先进方法,性能提升了14%。