【实验分析参考】Self-regulation: Employing a Generative Adversarial Network to Improve Event Detection
实验参数设置和数据集
数据集:ACE2005
选取了可以与之前的工作进行比较的训练集、开发集、测试集.
超参数设置
- word embedding size:300
- 预训练词向量:用skip-gram在NYT上训练(Follow Chen et al. 2015 and Feng et al. 2016)
- 实体类embedding size:50(Follow (Nguyen et al., 2016; Feng et al., 2016; Liu et al., 2017b)
- dropout:0.2(Follow Feng et al. 2016)
- 系数λ 0.1+3
- 学习率 0.3
- L2范数 0
对比模型
- 最小监督方法(1个)
- 基于特征的方法(3个)
- 基于神经网络的方法(CNN、RNN和融合)
实验结果和解释
评价度量:准确率、召回率、F1
对比前人工作时用他们公布的最佳运行结果
- 识别触发器实验
- 事件分类实验
分析:适应性、鲁棒性和有效性
分别使用ACE 2005语料库和TAC-KBP 2015事件语料库进行了两组领域适应实验
将ACE2005中的bn和nw的联合作为源域,bc、cts和wl作为三个不同的目标域(Follow Nguyen and Grishman,2014,2015;Plack and Moschitti,2013)
使用TAC KBP中NW和DF的一个作为源域,而另一个作为目标域(Follow Peng et al. 2016)
引用所对比模型获得的最佳性能