Integrating Order Information and Event Relation for Script Event Prediction

事件链

该篇文章主要是讲的事件的预测，对于一个事件链条如下：

作者试图利用LSTM模型来对未知的下一个事件进行预测，同时考虑到不同事件点的时间对结果影响效果不同，因此作者加入attention模型，然后对不同时间点的事件加入权重，区分不同事件对最终结果的影响。

这种思路可以迁移到篇章流畅度的衡量上，对于一个篇章或者一段文本，其本质上是对一段事件（叙事文）的描述：在考虑连词的基础上考虑文本的事件，利用这些事件来衡量文本中所呈现的事件的出现的可能性，以该可能性来预测其流畅程度。

这种方法可以直接利用事件链的语料，而不必专门考虑流畅度本身数据的获取。

但是当前论文只考虑了前面事件和最终预测事件之间的关系，没有介绍已知事件之间的关系如何，而且只能在时序的情况下考虑事件流，考虑的事件链的类型太少，而且应用范围有局限，不知道将其改造成篇章流畅度进行分析时效果如何。

此外事件链如何抽取，如何界定有效事件都暂时无法确定。

同样无法衡量的是事件链的类型，比如一个事件链包含订餐、下单、吃饭。但如何判定改事件链的类型是聚类还是约会等。同样在迁移到篇章分析是如何衡量当前的篇章关系是因果还是转折或者其他。

但不管怎样这篇文献提供了一条站在事件的角度来分析篇章连贯性的思路，我可以站在事件的角度我可以根据不同的文本类型分布考虑主要成分来刻画篇章流畅度。

之前一直想利用词性以及连接词进行篇章分析的视角较为狭隘。