一种面向事件事实性预测的平行语料库构建方法研究

事件事实性预测(Event Factuality Prediction,EFP)是将事实性评价(Factuality Assessment)问题建模为句子级别回归任务,判定句子中事件提及(event mention)的事实程度.EFP是自然语言处理中重要且具有挑战性的任务.与英文事件事实性语料库的资源丰富不同,目前中文领域事件事实性语料库十分缺乏,这明显阻碍了对中文事实性评价问题的进一步研究.针对此问题,本文探索并提出了基于机器翻译的半自动事件事实性平行语料库构建方法.实验结果表明,利用本文构建的事件事实性中英平行语料库Parallel FactBank配合DLEF语料库进行多任务学习可以有效提升中文EFP任务中模型的泛化能力,并使模型在各数据集上性能优于单任务学习模型.

一种中文事件事实性识别方法

事件事实性指出了事件发生与否的确定性程度,是自然语言理解的基础。在研究过程中,针对中文事件的事实性识别问题,提出了一种基于特征工程的有效识别方法。该方法选取事件的事实性相关信息进行特征的处理和转化。同时,考虑到部分特征与事件事实性之间的联系,依据规则进行特征融合。实验证明,相比基于规则的事件事实性识别方法,该方法有着更好的识别效果。