사건 추출은 비구조화된 텍스트에서 트리거 단어와 인수를 식별하고 분류하는 것을 목표로 하는 복잡한 자연어 처리 작업입니다. 트리거 단어와 인수의 다의성은 사건 추출 정확도에 영향을 미치는 주요 도전 과제 중 하나입니다. 기존 방법은 일반적으로 트리거 단어와 인수에 있는 다양한 의미가 균등하게 분포되어 있다고 가정합니다. 그러나 실제 적용 환경에서는 동일한 트리거 단어 또는 인수 내 서로 다른 의미 샘플 수가 달라 의미 분포에 편향이 발생합니다. 이러한 편향은 사건의 정확한 추출에 두 가지 도전을 만듭니다: 저빈도 의미 누락과 고빈도 의미 오판. 이러한 문제를 해결하기 위해 보상-벌점 메커니즘을 채택하여 다의적 트리거 단어와 인수의 의미 분포를 균형 있게 하는 적응형 의미 학습 방법을 제안합니다. 보상-벌점 메커니즘은 올바른 분류에 대해 보상을 주고 잘못된 분류에 대해 벌점을 주어 고빈도 및 저빈도 의미 간 차이를 줄이며, 동시에 목표 의미와 비목표 의미 간의 간격을 확대하여 의미 분포를 균형 있게 만듭니다. 또한 문장 수준 사건 컨텍스트 인식 메커니즘을 제안하여 인코더가 문장에서 언급된 사건 지식을 정확히 학습하도록 유도하여 다의적 트리거 단어와 인수에 대한 정확한 사건 의미 예측 강화를 제공합니다. 마지막으로, 다양한 작업의 여러 의미에 대해 특정 작업 의미 디코더를 제안하여 해당 의미에 대한 예측 트리거 단어와 인수 경계를 정밀하게 식별합니다. ACE2005 및 그 변형 그리고 ERE 벤치마크에서의 실험 결과 본 방법이 모든 단일 작업 및 다중 작업 사건 추출 기준을 능가함을 입증하였습니다.

사건 추출; 다의적 트리거 단어; 다의적 인수; 의미 불균형; 보상-벌점 메커니즘