Event_Process_Typing

事件过程的语义键入

这是Conll 2020论文中资源的存储库“您想什么？事件过程的语义键入”。该存储库包含源代码，并链接到我们论文中使用的某些数据集。

抽象的

本文研究了一种新的（认知动机的）语义分型任务，多轴事件过程键入，在事件过程中，试图推断自由形式类型标签描述（i）该过程所采取的动作类型以及（ii）该过程试图影响的对象类型。该任务的灵感来自事件理解的计算和认知研究，这表明理解事件的过程通常是通过认识主人公的目标，计划或意图来指导的。我们开发了一个大型数据集，其中包含超过60K事件的过程，其中具有非常大的（10^3〜10^4）标签词汇的动作和对象类型轴上的超细粒键入。然后，我们提出了一个混合学习框架P2GT，该框架通过Glosses1和联合学习到级框架的间接监督解决了具有挑战性的打字问题。正如我们的实验指出的那样，P2GT支持确定过程的意图以及受影响对象的精细语义类型。它还证明了处理少量案例的能力，以及在室外过程中的强大推广性

环境

 python 3.6
Transformers (Huggingface) version 2.11.0 (Important)
PyTorch with CUDA support
nltk 3.4.5
AllenNLP 1.0

数据集

./data包含在这项工作中贡献数据集的Wikihow事件过程。同一文件夹还包含WordNet中的动词和名词颜色，以及用于WSD的SEMCOR数据集。
Wikihow事件过程的原始文件键入数据集以Data_seq.tsv的形式给出，其中每一行记录了一个过程的内容和类型标签。具体而言，每个选项卡分离的行包含一系列子事件内容，最后两个单元格是动作和对象标签。
二进制文件是util中的data.py对象的一个​​保存的实例，该实例已经读取了过程数据和标签光，并提供了必要的索引信息以拆分（随机状态= 777应始终给出相同的拆分），火车和测试。
./程序归档几个用于数据集的程序。

运行实验

程序./run_joint/jointssmrl_roberta_bias.py进行了实验进行训练和测试，并排除了10％的测试拆分。它应该执行以下模式

 python jointSSmrl_roberta_bias.py <skip_training> <alpha> <margin_1> <margin_2>  

例如：

 CUDA_VISIBLE_DEVICES=4 python jointSSmrl_roberta_bias.py 0 1. 0.1 0.1

控制台演示应用

./run_joint/console_roberta_bias.py是一个控制台应用程序，用户可以在事件过程中键入并在当时获取多轴类型信息。简单运行此程序，等待加载预训练的模型，然后输入事件过程，该事件过程由“@”分开。例如，以下输入

 read papers@attend conferences@go to seminars@write a thesis

将收到类型信息，例如

 [('get', 0.6021211743354797), ('retain', 0.6217673718929291), ('absorb', 0.6397878527641296), ('pass', 0.6577234268188477), ('submit', 0.6673179864883423), ('present', 0.6688072383403778)] 
[('doctorate', 0.5141586363315582), ('psychology', 0.5413682460784912), ('genetic', 0.5501004457473755), ('science', 0.5507515966892242), ('determinism', 0.5621879994869232), ('grade', 0.5723227560520172)]

链接到控制台演示的预训练完整型号：https：//drive.google.com/drive/folders/1b8p8pevvrnanl7r_wnyyt4ppsynroiloft?usp = sharing
用户还可以通过运行./runjoint/train_full_roberta_bias.py在完整的Wikihow事件过程数据集上训练该模型

网络演示

Web演示应在https://cogcomp.seas.upenn.edu/page/demo_view/step上运行

参考

Bibtex：

 @inproceedings{chen-etal-2020-what,
  title = {``{W}hat {A}re {Y}ou {T}rying {T}o {D}o?'' {S}emantic {T}yping of {E}vent {P}rocesses},
  author = "Chen, Muhao and Zhang, Hongming and Wang, Haoyu and Roth, Dan",
  booktitle = "Proceedings of the 24th Conference on Computational Natural Language Learning (CoNLL)",
  year = "2020",
  publisher = "Association for Computational Linguistics"
}