Transition-based Directed Graph

2021-12-13 本文已影响0人一个迷人的昵称

Transition-based Directed Graph Construction for Emotion-Cause Pair Extraction

令 $G=(V,R)$ 为有标签有向图（edge-labeled directed graph），其中，

在head node $i\in{V}$ 和modifier node $j\in{V}$ 构建关系： $i\stackrel{l}{\longrightarrow}j$ ，其中 $l\in\{l_t, l_n\}$ ，其中，

是故，

至此，提出构建图的方法： a novel transition-based parser

parser由S表示， $S=(\sigma, \beta, E, C, R)$ ，其中，

$\Rightarrow$ action List A

论文定义了六种action（来源于观察经验）：

image.png

其中， $i$ 表示stack、buffer、action的元素索引。例如stack的top2个元素可以表示为： $\sigma|\sigma_1|\sigma_2$

具体来描述即：

$SHIFT(SH)$ : pop $\beta_0$ 并将其压入 $\sigma$ 顶；当且仅当 $\beta$ 非空
$RIGHT-ARC_{l_t} (RA_{l_t})$ : 从 $\sigma_1$ 到 $\sigma_0$ 分配一个标签为 $l_t$ 的边，即： $\sigma_1 \stackrel{l_t}{\longrightarrow}\sigma_0$ ，然后将 $\sigma_0$ 复制到E，并从 $\sigma$ pop出 $\sigma_1$ 到C
$LEFT-ARC_{l_t} (LA_{l_t})$ : 从 $\sigma_0$ 到 $\sigma_1$ 分配一个标签为 $l_t$ 的边，即： $\sigma_0 \stackrel{l_t}{\longrightarrow}\sigma_1$ ，然后将 $\sigma_1$ 复制到E，并从 $\sigma$ pop出 $\sigma_0$ 到C
$RIGHT-ARC_{l_n} (RA_{l_n})$ : 从 $\sigma_1$ 到 $\sigma_0$ 添加一个标签为 $l_n$ 的关系，即： $\sigma_1 \stackrel{l_n}{\longrightarrow}\sigma_0$ ；然后从 $\sigma$ pop出 $\sigma_1$ 、仅复制 $\sigma_0$ 到E
$LEFT-ARC_{l_n} (LA_{l_n})$ : 表示从 $\sigma_0$ 到 $\sigma_1$ 的关系 $l_n$ ；复制 $\sigma_1$ 到E；注：由于 $\sigma_0$ 可能是 $\beta$ 中入栈节点的原因，移动 $\beta_0$ 到 $\sigma$ 顶好于pop $\sigma_0$
$CYCLE-ARC (CA)$ : 对 $\sigma_0$ 节点分配一个标签 $l_t$ ；复制 $\sigma_0$ 到E、C

一些约束：

RIGHT-*、LEFT-*，必须在 $\sigma$ 至少有两个元素时
当 $\sigma|\sigma_1|\sigma_2$ 都是emotion但是没有emotion cause时，将倾向于 $RIGHT-ARC_{l_n} (RA_{l_n})$
CYCLE-ARC容易产生冲突，因此与其它action不同，（对此）训练一个基于 $\sigma_0$ 表示的二分类模型

$\Rightarrow$ 此处给出一个例子，从初始的 $([], [1,2,3], \varnothing, \varnothing, \varnothing)$ 到最终的 $([..., \$ ], [], E, C, R)$，有文本：