RAAT: リレーション拡張アテンショントランスフォーマーによる文書レベルのイベント抽出における関係モデリング

文書レベルのイベント抽出（Document-level Event Extraction: DEE）タスクにおいて、イベント引数は常に文をまたいで散在する（文を跨ぐ問題: across-sentence issue）とともに、1つの文書内に複数のイベントが存在する可能性がある（多イベント問題: multi-event issue）。本論文では、これらの問題を解決するために、イベント引数間の関係情報が極めて重要であると主張し、その関係依存性をモデル化できる新しいDEEフレームワークを提案します。このフレームワークは「関係強化型文書レベルイベント抽出（Relation-augmented Document-level Event Extraction: ReDEE）」と呼ばれています。より具体的には、このフレームワークは新たなカスタマイズされたトランスフォーマー、「関係強化型注意トランスフォーマー（Relation-augmented Attention Transformer: RAAT）」を特徴としています。RAATは、多スケールかつ多量の引数関係を捉えるための拡張性を持っています。さらに、関係情報を効果的に活用するために、独立したイベント関係予測タスクを導入し、マルチタスク学習手法を使用してイベント抽出性能を明示的に向上させています。広範な実験結果により、提案手法の有効性が示されており、2つの公開データセットで最先端の性能を達成しています。当該コードは https://github.com/TencentYoutuResearch/RAAT で入手可能です。