Namin, Akbar s, AU - Zhou, peng - peng AU - Luo, Yao AU - Ning, nian - wen AU - Cao, Zhen AU - Jia, Bingjing AU - Wu，本PY - 2020 DA - 2020/12/14 TI -连续相似学习与共享神经语义表示联合进化事件检测和SP - 8859407六世- 2020 AB -在今天的互联网的快速发展的时代,人们常常感到被巨大的官方新闻流或非官方self-media tweet。为了帮助人们获得他们关心的新闻主题，越来越需要能够从大量数据中提取重要事件，并将事件的演变过程逻辑地构建为故事的系统。现有的方法大多将事件检测和事件进化视为集成流水线设置下的两个独立子任务。然而，这两个子任务之间的相互依赖往往被忽略，这导致了偏差传播。此外，由于新闻文档语义表示的局限性，事件检测和进化的性能仍然有限。为了解决这些问题，本文提出了一个联合事件检测与演化(JEDE)模型，用于从新闻流中检测事件并发现事件演化关系。该模型首先引入双向GRU注意网络，学习两个子任务网络共享的新闻文档的基于向量的语义表示。然后，利用堆叠神经网络学习两个连续的相似度指标来判断两个新闻文档是与同一事件相关还是两个事件与同一故事相关。此外，由于地面真相数据集有限，我们努力构建一个新的数据集，命名为EDENS，它包含了事件和故事的有效标签。 The experimental results on this newly created dataset demonstrate that, thanks to the shared representation and joint training, the proposed model consistently achieves significant improvements over the baseline methods. SN - 1687-5265 UR - https://doi.org/10.1155/2020/8859407 DO - 10.1155/2020/8859407 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -