利用事件嵌入学习语义脚本知识

ICLRDec, 2013

Learning Semantic Script Knowledge with Event Embeddings

Ashutosh Modi, Ivan Titov

TL;DR通过计算谓词和它们的论元的分布式表示，然后使用这些表示来预测原型事件排序，我们的方法从文本中联合估计计算事件表示和模型的排序组件的组合过程参数，证明此方法相较于以往的方法在排序性能方面有明显提升。

Abstract

Induction of common sense knowledge about prototypical sequences of events has recently received much attention. Instead of inducing this knowledge in the form of graphs, as in much of the previous work, in our method, distributed representations of →

common sense knowledge event realizations distributed representations prototypical event orderings compositional process

发现论文，激发创造

基于张量组合的事件表示

本文提出了基于张量的组合方法，以构建更细致的事件表示方法，从而有效地解决了建模类似脚本事件序列的表示问题，并形成了更好的模式生成方法。

Nov, 2017

利用外部常识知识增强的事件表示学习

本论文提出一种利用外部常识知识的方法，增强文本中提取的事件表示的有效性，实验结果表明该方法在事件相关任务中表现良好，如事件相似度计算、脚本事件预测和股票市场预测等方面得到了显著优化。

Sep, 2019

预测事件和知识图谱的共同演化

本文研究了含有时间变量的知识图谱，通过训练一个使用知识图谱背景信息和最近事件信息的事件预测模型，预测未来事件并预测知识图谱的变化，从而得到了知识图谱的演化模型，该方法在医疗应用、推荐引擎和传感器网络应用中表现良好。

Dec, 2015

语义信息驱动的层次化事件建模

本研究提出了一种新颖的、具有层级结构的半监督事件建模框架，结合序列潜变量模型和本体知识，通过一系列的结构化潜变量层对语义知识进行制导，成功提高事件建模的表现，并在两个数据集上的四种不同评估指标上均优于先前现有的最佳方法。

Dec, 2022

使用事件知识图谱和自然语言处理的全面事件表示

利用自然语言处理技术，结合知识图谱的构建和上下文关系，利用 Transformer 技术从文本中提取事实信息以构建全面的基于图的事件表示。

Mar, 2023

预测常识本体的改进表示学习

本文研究了利用学习表示的空间的内在几何结构来实现自动遵守复杂结构约束的本体 (分层和部分有序结构) 学习的最新工作，并探讨了对一种此类模型的两种扩展，旨在提高通识知识表示文本数据的性能。通过混合学习排序关系和非分层知识，以及利用训练数据的部分有序结构找到在配对训练过程中不好执行的嵌入之间的长距离 triplet 约束，我们发现这两种扩展都优于原始的 order-embedding 模型和其他强基线模型。

Aug, 2017

视频故事嵌入：在数据稀缺时识别事件

本文提出了一种叫做 VideoStory 的语义视频表示方法，通过学习来自网络视频和其描述的嵌入来构建整个表示，同时通过多模态可预测性损失来提高描述性和可预测性，并利用术语敏感的描述性损失来识别没有例子的视频事件，从而在视频事件的少量和没有例子的识别方面提高了准确性。

Nov, 2015

脚本事件预测的 Rich Event 建模

本文提出了一种基于事件的编码框架（REP）来预测脚本事件，该框架通过提取具有丰富事件描述的信息，包括动词的意义，额外的语义角色和参与者类型，并使用基于 Transformer 的事件编码器灵活地处理任意数量的参数。通过在广泛使用的 Gigaword 语料库上进行的实验结果表明，该框架是有效的。

Dec, 2022

未来不是单一维度的：通过图模型进行复杂事件模式识别以进行事件预测

研究介绍了一种基于图的时间复杂事件模式表示方法、事件预测模型及语料库，该模型可以高效地构建和评价图形式的事件模式，并且比线性表示方法更加优越，具备更高的预测能力。

Apr, 2021

对比微调生成式脚本事件预测方法

本文提出了一种基于事件中心预训练的生成式方法，其使用预先训练的语言模型 Fine-Tune 并通过对序列可能性的预测进行预测，从而软建模事件之间的关联。

Dec, 2022