空间元素抽取及其 关系识别 施林锋 2019.01.17
ISO-Space再认识 Place vs Path Spatial Entity Place：泛指一般的地理实体、行政区划 指代：it，there，here Path：泛指一般的路径，区域之间的边界 Road，river，Route 66 两者没有明确的区分，Guideline中提到 ‘at’ ‘in’ both Place && Path Only ‘take’ or ‘follow’ Path Spatial Entity 泛指除了Place和Path以外的和空间相关的对象 占据空间中的某个区域；参与到某个具体的Link中 通常是移动的或者有潜在移动可能的 [John] arrived at the [car] The [tower] toppled when it was struck by lightning. Place：id，dimension（line，area，point），form（nam，nom），elevation，modify，countable，dcl
ISO-Space再认识 Motion vs Nonmotion_event 都是TimeML定义的事件，通常情况下为动词 每个Motion都至少关联一个MLink John [biked] from Virginia to Oregon. I [spent] a few days in Colon for looking for a boat to Colombia.
模型优化 Double Embedding Convolutional neural network 为了体现任务的特殊性，训练一个领域相关的词向量 词向量由两部分构成 通用词向量：Glove 或 Google word2vec 领域词向量：SpaceEval训练数据 + word2vec Convolutional neural network 有效的提取句子的局部特征 结合RNN，丰富最终的特征表示
实验结果 10 experiments Average F1 ± std Method F1 Origin (CNNs-BiLSTM-CRF) 72.64 ± 0.37 Origin + CNN 73.11 ± 0.27 Origin + Double Embedding 72.91 ± 0.38 Origin + CNN + Double Embedding 73.08 ± 0.64
后处理 哪里可以改进 Place和Path，和上下文更无关些，部分实际存在地点 可以直接通过地名检索的方式得到，且模型可能不会 预测 Motion, Nonmotion event, Spatial entity都是强上下文 依赖，情况复杂，后处理设计规则容易导致规则泛化 性差的情况 一些简单的断言：如果句子中只有一个Spatial Entity， 则可以断定为错误预测
后处理 – Place & Path 模型预测结果 + Geonames地名词典 方法 Without-Tune 73.11 ± 0.27 Tune 73.37 ± 0.33 模型预测结果 + Geonames地名词典 提高Place和Path的召回率 Geonames约有1100w地点（加上alternames约2500w） 方法 枚举n-gram（枚举对象是模型预测tag为O的token） 检索Geonames词典（Hash [Bloom filter] 或 Lucene） 根据feature class判断Path(T, H, R)或Place(其他) E.x. The Vosges Mountains and the Black Forest are … 模型没有预测出Black Forest是一个空间实体 通过Geonames做出补充标记 问题 Geonames中有不少特殊地点，”We, Lucky, …” 引入一个common words列表，新的地点必须满足不出现 在列表中 T: mountain, hill H: stream, lake, river R: road, railroad
To Do 关系识别 QSLink OLink Mlink Q&A
模型示意图 Boston is north of New York …… Word Representation … BiLSTM CNN 字向量表示 通用词向量 领域相关词向量 + Word Representation LSTM Forward Backward … BiLSTM Filter_1 Filter_2 CNN B-PLACE O I-PLACE CRF 模型示意图