本文主要复述论文["Event Extraction via Dynamic Multi-Pooling Convolutional Neural Networks"] 的主要内容，以便自我回顾，也希望可以给大噶带来帮助~
摘要
传统ACE事件提取的方法主要依赖于精心设计的功能和复杂的自然语言处理（NLP）工具。这些传统方法缺乏泛化，需要大量人力，容易出现错误传播（error propagation）和数据稀疏性（data sparsity）问题。本文提出了一种新的事件提取方法，旨在自动提取词汇级（lexical-level）和句子级（sentence-level）功能，而无需使用复杂的NLP工具。我们引入了一个单词表示模型，用于语言的语义规范，并采用基于卷积神经网络（CNN）的框架来捕获句子级线索。然而，CNN只能捕获句子中最重要的信息，并且在考虑多事件句子时可能会遗漏有价值的事实。我们提出了一种动态多池卷积神经网络（DMCNN -- dynamic multi-pooling convolutional neural network），它根据事件触发器和参数使用动态多池层来保留更多关键信息。
介绍
目前事件抽取最先进的方法，是采用一组精心设计的特征，这些特征是由文本分析和语言知识提取的。通常分为两类：词法特征和上下文特征。
-词法特征
词法特征包括词性标签（part-of-speech tags）、实体信息、形态特征（例如，标记，引理等），其旨在捕获语义或单词的背景知识。由于这些预测语义背景的线索的有限性，以及单词独热编码（one-hot）带来的数据稀疏性问题，会导致无法充分捕获单词的语义。
-上下文特征
上下文特征，比如语法特征可以从依存关系中获取其参数和触发词的联系。我们称这种信息为句子级（sentence-level）线索。但是我们无法通过这类传统依存特征获取目标角色，此外，在特征学习中还有可能导致错误传播。
-卷积神经网络
论文中描述到，最近卷积神经网络（CNN）的改进已经被证明能够有效地捕获句子中的单词之间的句法和语义。CNN通常使用最大池化层，其对整个句子的表示应用最大操作以捕获最有用的信息。但是，在事件提取中，一个句子可能包含两个或多个事件，并且这些事件可能共享具有不同角色的参数。例如，S3（S3: In Baghdad, a cameraman died when an American tank fired on the Palestine Hotel. ）中有两个事件，即Die事件和Attack事件。如果我们使用传统的最大汇集层并且只保留最重要的信息，那么我们可以获得描述“摄像师死亡”的信息，但是错过了关于“美国坦克的信息”的信息，这对预测攻击事件非常重要，对于将摄像师附加到红色是很有价值的。作为目标论点。在我们的实验中，我们发现这样的多事件句子占我们数据集的27.3％，而这个现象我们无法通知。
事件提取
事件提取系统：预测具有特定子类型的事件触发器及其对每个句子的参数。
论文中将该实现分为两个阶段：1.触发分类。使用DMCNN对句子中的每个单词进行分类以识别触发单词。2.若一个句子具有触发器，则执行阶段二，应用类似的DMCNN来为触发器分配参数并对齐参数的角色。
1.Word Embedding
得到所有的word embeddings之后，将其连接入词汇级特征向量，表示参数分类中的词汇级特征。
2.采用DMCNN提取句子级特征
论文中提出了三种输入类型提供给DMCNN。
-Context-word feature (CWF)：通过查找word embeddings而转换的每个单词标记的向量
-Position Feature(PF)：表当前单词与预测的触发器或候选参数的相对距离。位置特征的每个距离值也由embedding vector表示，同时距离值也会随机初始化并通过反向传播进行优化。
-Event-type feature (EF)：对触发分类阶段的预测进行事件类型编码，作为DMCNN亦或PF中的重要线索。
设定CWF的维度d=4、PF的d=1、EF=1，由其拼接成的词特征向量的长度d=dw+dp×2+de，得到输入矩阵X∈R(n×d)，进入卷积层。
设定h个word大小的窗口，滤波器w ∈ R(h×d)，通过运算(4)产生新特征ci，其中b∈R是偏置项，f是非线性函数，如双曲正切。 该滤波器应用于句子x1:h，x2:h+1，...，x(n-h+1):n中的每个可能的单词窗口，以产生特征映射ci，其中索引i的范围从1到n-h+1。
3.Output
4.Training
论文中将参数分类阶段的所有参数定义为θ=(E，PF1，PF2，EF，W，b，WS，bs)。给定输入s、具参数θ的网络输出向量O、其中第i个分量Oi包含自变量角色i的分数。对所有参数角色的score应用softmax操作(8)，从而获得条件概率p(i|x,θ)。并定义目标函数(9)，通过SGD计算最大似然函数得到参数θ。
5.Trigger Classification模型
触发器分类中，仅在词法级特征表示中使用候选触发器及其左右令牌。 在句子级别的特征表示中，我们使用与参数分类中相同的CWF，但仅使用候选触发器的位置来嵌入位置特征。 此外，不是将句子分成三个部分，而是通过候选触发器将句子分成两部分。 除了上述特征和模型的变化之外，论文中对一个论证进行了分类。 这两个阶段构成了事件提取的框架。
实验
判定预测事件准确性的标准：
1.如果触发器的事件子类型和偏移量与参考触发器的类型匹配，则触发器是正确的。
2.如果参数的事件子类型和偏移量与任何参考参数提及的参数匹配，则可以正确识别参数。
3.如果参数的事件子类型，偏移量和参数角色与任何引用参数提及的参数匹配，则参数被正确分类。
