Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Fusion Model of Multi-data Sources for User Profiling in Social Media Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Cross-Scenario Inference Based Event-Event Relation Detection

verfasst von : Yu Hong, Jingli Zhang, Rui Song, Jianmin Yao

Erschienen in: Natural Language Processing and Chinese Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Event-Event Relation Detection (RD\(_{2e}\)) aims to detect the relations between a pair of news events, such as Causal relation between Criminal and Penal events. In general, RD\(_{2e}\) is a challenging task due to the lack of explicit linguistic feature signaling the relations. We propose a cross-scenario inference method for RD\(_{2e}\). By utilizing conceptualized scenario expression and graph-based semantic distance perception, we retrieve semantically similar historical events from Gigaword. Based on explicit relations of historical events, we infer implicit relations of target events by means of transfer learning. Experiments on 10 relation types show that our method outperforms the supervised models.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Employing Multiple Decomposable Attention Networks to Resolve Event Coreference
Nächstes Kapitel SeRI: A Dataset for Sub-event Relation Inference from an Encyclopedia
Fußnoten
Literatur
1.
Abe, S., Inui, K., Matsumoto, Y.: Acquiring event relation knowledge by learning cooccurrence patterns and fertilizing cooccurrence samples with verbal nouns. In: IJCNLP, pp. 497–504 (2008)
2.
Abe, S., Inui, K., Matsumoto, Y.: Two-phased event relation acquisition: coupling the relation-oriented and argument-oriented approaches. In: COLING, pp. 1–8 (2008)
3.
Blanco, E., Castell, N., Moldovan, D.I.: Causal relation extraction. In: LREC (2008)
4.
Caselli, T., Fokkens, A., Morante, R., Vossen, P.: Spinoza vu: an NLP pipeline for cross document timelines. In: SemEval-2015 p. 787 (2015)
5.
6.
Do, Q.X., Chan, Y.S., Roth, D.: Minimally supervised event causality identification. In: EMNLP, pp. 294–303 (2011)
7.
Gildea, D., Palmer, M.: The necessity of parsing for predicate argument recognition. In: ACL, pp. 239–246 (2002)
8.
Girju, R., Moldovan, D.I., et al.: Text mining for causal relations. In: FLAIRS, pp. 360–364 (2002)
9.
Hong, Y., Zhang, T., O’Gorman, T., Horowit-Hendler, S., Ji, H., Palmer, M.: Building a cross-document event-event relation corpus. In: LAW X, p. 1 (2016)
10.
Inui, T., Inui, K., Matsumoto, Y.: Acquiring causal knowledge from text using the connective marker tame. TALIP 4(4), 435–474 (2005)CrossRef
11.
12.
Lapata, M., Lascarides, A.: Learning sentence-internal temporal relations. J. Artif. Intell. Res. (JAIR) 27, 85–117 (2006)CrossRef
13.
Lin, Z., Ng, H.T., Kan, M.Y.: A PDTB-styled end-to-end discourse parser. Nat. Lang. Eng. 20(02), 151–184 (2014)CrossRef
14.
Mani, I., Verhagen, M., Wellner, B., Lee, C.M., Pustejovsky, J.: Machine learning of temporal relations. In: COLING and ACL, pp. 753–760 (2006)
15.
Migon, H.S., Gamerman, D., Louzada, F.: Statistical inference: an integrated approach. CRC Press, Boca Raton (2014)MATH
16.
Minard, A.L., et al.: Semeval-2015 task 4: Timeline: Cross-document event ordering. In: SemEval, pp. 778–786 (2015)
17.
Miwa, M., Bansal, M.: End-to-end relation extraction using lstms on sequences and tree structures (2016). arXiv preprint. arXiv:​1601.​00770
18.
Pitler, E., Louis, A., Nenkova, A.: Automatic sense prediction for implicit discourse relations in text. In: ACL and AFNLP, pp. 683–691 (2009)
19.
Prasad, R., et al.: The penn discourse treebank 2.0. In: LREC (2008)
20.
Pustejovsky, J., Verhagen, M.: Semeval-2010 task 13: evaluating events, time expressions, and temporal relations (tempeval-2). In: Workshop on Semantic Evaluations, pp. 112–116 (2009)
21.
Radinsky, K., Davidovich, S., Markovitch, S.: Learning causality for news events prediction. In: WWW, pp. 909–918 (2012)
22.
Raja, K., Subramani, S., Natarajan, J.: Ppinterfinder–a mining tool for extracting causal relations on human proteins from literature. Database 2013, bas052 (2013)
23.
Rugemalira, J.M.: What is a symmetrical language? multiple object constructions in Bantu. In: Berkeley Linguistics Society, vol. 17 (2012)
24.
Santos, C.N.d., Xiang, B., Zhou, B.: Classifying relations by ranking with convolutional neural networks (2015). arXiv preprint arXiv:​1504.​06580
25.
Velupillai, S., Mowery, D.L., Abdelrahman, S., Christensen, L., Chapman, W.W.: Blulab: Temporal information extraction for the 2015 clinical tempeval challenge. In: Proceedings of the 9th International Workshop on Semantic Evaluation (SemEval 2015), pp. 815-819 (2015)
26.
Zhou, Z.M., Xu, Y., Niu, Z.Y., Lan, M., Su, J., Tan, C.L.: Predicting discourse connectives for implicit discourse relation recognition. In: COLING, pp. 1507–1514 (2010)
27.
Zou, B., Zhou, G., Zhu, Q.: Tree kernel-based negation and speculation scope detection with structured syntactic parse features. In: EMNLP, pp. 968–976 (2013)
Metadaten
Titel
Cross-Scenario Inference Based Event-Event Relation Detection
verfasst von
Yu Hong
Jingli Zhang
Rui Song
Jianmin Yao
Copyright-Jahr
2018
Buch
Natural Language Processing and Chinese Computing

Print ISBN: 978-3-319-99500-7

Electronic ISBN: 978-3-319-99501-4

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-99501-4_22

Premium Partner

    Bildnachweise