本文主要复述论文["A Probabilistic Soft Logic Based Approach to Exploiting Latent and Global Informationin Event Classification"] 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
不能由NLP工具直接获得的潜在信息对于事件分类是至关重要的，比如事件之间的关联信息、细粒度实体类型的潜在局部信息。这篇论文不同于以往着眼于复杂局部特征的方法，而是充分利用这些全局信息来实现事件分类。为此，作者提出了一种概率软逻辑模型，以逻辑的形式编码全局信息。
介绍
全局信息：对于例句(1)He left the company, and he planned to go home directly. 我们从第一个trigger"left"很难判断出它是Transport事件还是End-Position事件，但是联合后面子句中的"go"就可以很明确的判断出标记"left"是Transport事件的概率更大。论文中描述此类全局信息为事件-事件联合型。
潜在局部信息：对于例句(2)Obama beat McCain.仅从Obama与McCain被标记为person是无法判断trigger"beat"是elect事件还是attack事件的，但进一步的，如果我们有Obama与McCain被标记为政治人物的信息，也可以明确判定elect事件的可能性更大。论文中描述这类潜在信息为细粒度的实体类型。
** Probabilistic Soft Logic **：为了更合理的表示全局特征，作者提出了以逻辑形式来实现全局信息的编码。该方法可描述为两部分：1.对于局部部分学习一个分类器，使用局部特征为每个触发候选者生成初始判断；2.在全局部分，收集“事件-事件”关联和“主题事件”关联作为全局信息并构建全局信息数据库；3.将初始判断和全局信息形成一节逻辑公式，并以概率软逻辑训练模型从而生成结果。
该方法的流程图展示如Figure1
The Local Part
作者将局部信息规划为词的分类任务，将每个句子中的候选触发词分类成ACE语料库中定义的34(33种事件类型+未定义类型)种类型。作者选择Logistic回归模型训练分类器，分类器产出基于这34种类型的概率分布。
细粒度的实体类型：为了给实体成分更多详细的描述，作者选择了WordNet，采用K-means聚类算法来生成实体成分的描述。table1展示了聚类后的实体信息描述。其中的标签是手动标记的。
候选触发器类型：同实体成分，作者针对候选触发器(根据词性标签先删除非触发词)也做了聚类处理。table2展示了触发器分类的结果。
构造潜在特征：为了提高全局信息和局部潜在信息的利用率，作者构造了几个特征来捕获与整个句子相关的信息。1).RCF：Rich Context Features和base features的连接；2).FET：Fine-grainedEntity Types和base features的连接；3).TCT：Trigger Candidate Types和base features的连接。
The Global Part
事件-事件联合：论文中以条件概率的形式表示两个不同事件类型共现的概率，在句子级和文档级的层面上该种联合概率的分布表示等式(1)和(2)，其中T表示所有的事件类型集合，t1和t2表示事件类型。
主题-事件联合：一个文档的主题可以指向几个确定的事件类型。作者给每个文档标记主题标签，之后计算一个事件类型t在话题p下的条件分布情况(3)。
实验
不同于其他的事件抽取方面的工作，该篇论文着重于事件触发词的分类，将实体类型的描述具体化，触发器类型采用聚类方法使得其特征更加明显，减少候选触发词的二义性带来的影响。
