深度时序模型的嵌入时间表达
由copen创建，最终由copen 被浏览 55 用户
摘要
数据驱动模型在推断文本中事件的时间顺序方面展示了最先进的性能。然而，这些模型通常会忽略明确的时间信号，例如日期和时间窗口。 基于规则的方法可用于识别 这些时间表达式之间的时间联系 (timexes)，但它们无法捕获 timexes 与事件的交互，并且难以集成 与神经网络的分布式表示 净模型。在本文中，我们介绍了一个 将时间意识注入的框架 通过学习预先训练的模型来构建此类模型 嵌入时间节点。我们生成合成数据 由成对的时间节点组成，然后训练一个 字符 LSTM 来学习嵌入和分类时间节点的时间关系。我们评估了这些嵌入在事件时间排序的强神经模型上下文中的效用，并显示在 MATRES 数据集上的性能略有提高等 自动收集的大量收益 具有更频繁的事件-时间交互作用的数据集。
正文
/wiki/static/upload/e7/e7b2a2a3-2bba-4fe0-b47a-167aaf66071c.pdf
\