《Zero-Shot Transfer Learning for Event Extraction》
Introduction
由於當前的事件抽取模型依賴於監督資料中已有事件（seen type）的特徵學習，所以不利於擴充套件到新的事件類別（unseen type）上。論文提出的方法基於如下假設：”the semantics of an event structure can be generalized and mapped to event mention structures in a systematic and predictable way“，即事件型別的語義（type + argument role）和相對應的事件描述的語義（trigger + argument）在同一個語義空間內應該是相似的。
鑑於上述假設，作者認為，可以學習一個所有事件型別（seen + unseen）共用的型別語義對映，同時學習一個所有事件描述的語義對映，來將兩者對映到同一個語義空間進行相似性計算；當一個新的事件型別（unseen）被定義時，不需要新的該型別的資料標註，就可以對該型別的Mention進行分類。論文實驗結果表明，這種Zero-Shot的方法達到了監督學習的效能。
Model
模型在事件分類和角色分類上採用的是pipe-line架構，模型的語義對映層是用CNN實現，事件描述和事件類別結構的兩種對映的引數共享。結構如下：
Trigger and Type Structure Composition
事件描述
論文中，首先採用了AMR（Wang et al., 2015b）解析工具識別潛在的trigger和arguments，之後使用詞義消歧工具（Zhong and Ng, 2010）將trigger和argument的語義對映到OneNotes中，除此之外，對應於FrameNet中的動詞和名詞單元的也將作為潛在trigger。由此得到潛在事件描述的AMR圖。
AMR圖中的節點對和對應的邊表示成三元組形式 
Line"/> ，並按照從上至下的順序排列（論文中用的詞，應該是指AMR解析的輸出順序），每個三元組對應向量 
計算如下：
隨後將 
通過CNN得到事件描述向量 
事件型別
ACE guidline中定義的事件型別是一個一層的樹狀圖，根節點為事件型別，將二元組 
的向量表示 
按照從上往下的順序（論文中用的詞，估計是按照文件定義裡argument role的先後順序）排列成一個矩陣，通過CNN後得到對應的語義向量。
的計算如下，其中 
表示事件型別的詞向量， 
表示事件角色的詞向量， 
：
隨後將 
通過CNN得到事件描述向量 
學習函式
論文中採用了Hinge-Loss，其中t表示事件描述，y表示標註的事件型別：
由於Hinge-Loss容易過擬合seen type資料特徵，所以論文中採用瞭如下資料增強的方法，其中，Other指unseen type，在模型看來就是unseen type的未標註的資料，Y指所有事件型別（seen type + unseen type），Y'指seen type，y'指當前t預測得分最高的type：
事件角色
以上述標註示例為例，China被分類為事件的Agent基於 
和 
的語義相似性。
對於一個標定了trigger（型別已知）和待分類argument的句子t，抽取出AMR解析結果的一條路徑 
，對應p個三元組，其對應的事件型別樹的二元組 表示成1個二元組，之後採用和事件分類相同的方法進行角色分類。
實驗
實驗seen type設定
實驗資料統計
驗證結構語義的有效應
論文中設定的對照組為WSD-Embedding，即直接用模型輸入的OneNotes裡詞的詞向量來計算trigger和event type的相似性，或者argument role和argument的相似性，實驗結果如下：
驗證seen type和unseen type的相似性對實驗的影響
論文中選取了Justice中的四個subtype：Arrest-Jail，Convict，Charge-Indict，Execute的資料作為訓練集，其他三個subtype：Sentence，Appeal，Release-Parole作為測試集，另外，在其它type中各選取一個subtype加入測試集，實驗結果如下：
驗證遷移學習的效果
驗證使用了10個seen type subsets進行遷移學習，得到的模型用於預測23個unseen type資料，與之做對比的是在所有subtype上的監督學習，監督學習在23個unseen type的資料上一次取一個type的一個數據，並進行計數，結果如下，可見遷移學習大致有500條監督資料的效果：
zhengzhengnhe'zgneh驗證gneh'znayz