当前位置：首页 > news >正文

【论文速递】ACM MM 2022 - 基于统一对比学习框架的新闻多媒体事件抽取

news 文章来源：https://blog.csdn.net/qq_45041871/article/details/129558548 2025/1/13 11:54:46

【论文速递】ACM MM 2022 - 基于统一对比学习框架的新闻多媒体事件抽取

【论文原文】：Multimedia Event Extraction From News With a Unified Contrastive Learning Framework

【作者信息】：Liu, Jian and Chen, Yufeng and Xu, Jinan

论文：https://dl.acm.org/doi/pdf/10.1145/3503161.3548132代码：https://github.com/jianliu-ml/Multimedia-EE

博主关键词：对比学习、多媒体事件抽取、图像表征学习

推荐论文：无

摘要

从新闻中提取事件在下游应用程序中有很多好处。然而，今天的事件提取（EE）系统通常专注于单一的模态——无论是文本还是图像，并且由于新闻文档通常以多媒体格式呈现，因此这种方法会受到信息不完整的影响。在本文中，我们提出了一种新的多媒体EE方法，通过使用统一的对比学习框架桥接文本和视觉模式。我们的中心思想是为文本和图像创建一个共享空间，以改善它们的相似表示。这通常是通过对文本图像对进行训练来实现的，我们证明，通过研究另一种模态的互补性，可以使用该框架来促进一种模态学习。在基准数据集上，我们的方法实现了一个新的最先进的性能，并显示F1提高了3%。此外，我们证明，即使在视觉模态中没有标注数据的零样本场景中，它也可以实现视觉模态EE最前沿性能。

1、简介

在这里插入图片描述

目前的EE方法主要用于单一形式——文本或图像[16]，并且由于新闻文章通常以多媒体格式呈现，因此它们存在获取不完整信息的风险。考虑图1所示的新闻文章。本文描述了一个攻击事件（用文本单词“fires”表示）；然而，事件的一个论点，即[machine gun]，只出现在图片中。根据先前的研究，超过30%的新闻图像包含文本中不存在的视觉事件论点[16]，使得多媒体EE成为一个关键话题。

多媒体EE的发展有两个主要障碍。第一个是数据问题：由于标注昂贵，标记有并行文本视觉事件的资源有限。现有数据集，如文本模态中的ACE 2005语料库[20]和视觉模态中的imSitu语料库[31]，具有完全不同的事件定义/模式，使得跨模态数据共享具有挑战性。第二个问题与建模有关-由于缺乏并行数据，先前的多媒体EE方法通常使用流水线方法和启发式规则来对齐数据[28，33]并学习模态不变模式（例如，使用绑定分类器[16]）。然而，这些方法存在一定的缺陷，流水线方法会存在错误传递，学习模态不变模式很难在全局角度捕捉不同模态的依赖性。

在这项研究中，我们提供了一种新的多媒体EE方法，展示了有效应对上述挑战的优势。与之前的工作相比，我们的方法通过统一的对比学习框架为图像、文本和事件模式创建了共享的表示空间。我们证明，使用该框架，任何配对的文本图像资源，无论模式如何，都可以用于模型训练，这大大减轻了缺少并行标记数据的问题。另一方面，该框架避免了管道方法的复杂性，并能够从整体角度对不同模式的相互依赖性进行建模。特别是，给定一个多媒体文档，1）我们可以将图像投影到联合表示空间中，并将其用作增强文本EE的额外证据，2）类似地，我们可以将文本投影到联合表达空间中，以找到增强视觉EE的补充线索。此外，通过评估句子和图像的相似性，这种联合空间自然能够实现跨模态事件的共同参考。

我们基于M2E2基准评估了我们的方法[16]。根据结果，我们的方法显著优于以前的方法（包括单模态方法和多模态方法），在F1中，事件提取和事件论元提取分别提高了2.6%和3.4%-这显然证明了其有效性。有趣的是，通过使用这种对比学习框架，我们发现，即使在没有用于训练的训练数据的零样本场景中，我们的方法也能达到与最先进方法相比的竞争性能。此外，我们进行了一系列定性和定量研究，以调查我们方法的优点和缺点。

总之，我们有三个贡献：

我们为多媒体EE提供了一种新的方法，该方法使用统一的对比学习框架来解决数据和模型挑战。作为一项研究多媒体EE对比学习的开创性研究，我们的工作可能会启发这方面的更多研究。
我们表明，使用我们的统一框架，无论其标注模式如何，都可以利用不同模式的资源进行学习。此外，通过采用整体建模方法，该统一解决方案避免了管道方法的复杂性。
我们根据标准基准建立了新的最先进性能。此外，我们还表明，即使在零样本场景中，我们的方法也能与以前的视觉EE方法相媲美。

2、方法

图2描述了我们方法的高级概述。特别是，我们首先引入了一个对比学习框架来学习图像、文本和事件本体（例如，事件类型和语义角色）的共享表示空间。然后，使用这个共享空间，我们进行文本和视觉EE，以将补充信息合并到其他模态中。最后，我们执行具有相似性度量的跨模态事件共同参考过程，以组合来自多个模态的事件。我们的方法的技术细节如下。