TIMERS: Extraktion zeitlicher Relationen auf Dokumentebene
{Dinesh Manocha Quan Hung Tran Vlad Morariu Franck Dernoncourt Rajiv Jain Puneet Mathur}
Abstract
Wir präsentieren TIMERS – ein TIME-, Rhetorik- und Syntax-orientiertes Modell zur Dokumentebene zeitlichen Relationserkennung im Englischen. Unser vorgeschlagenes Verfahren nutzt neben herkömmlichen lokalen syntaktischen Merkmalen rhetorische Diskursmerkmale und zeitliche Argumente aus semantischen Rollenbezeichnungen, wobei das Modell mittels eines Gated Relational-GCN trainiert wird. Umfangreiche Experimente zeigen, dass das vorgeschlagene Modell auf den Datensätzen TDDiscourse, TimeBank-Dense und MATRES die bisherigen Ansätze um 5–18 % übertrifft, was auf unsere Modellierung auf Diskursebene zurückzuführen ist.
Benchmarks
| Benchmark | Methodik | Metriken |
|---|---|---|
| temporal-relation-classification-on-matres | TIMERS | F1: 82.3 |
| temporal-relation-classification-on-tb-dense | TIMERS | F1: 67.8 |
| temporal-relation-classification-on-tddauto | TIMERS | F1: 71.1 |
| temporal-relation-classification-on-tddman | TIMERS | F1: 45.5 |
KI mit KI entwickeln
Von der Idee bis zum Start — beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und den besten GPU-Preisen.