基于层次距离依赖贝叶斯模型的事件关联消解
提出一种新的迭代方法,通过采用同一链中和跨事件链中的事件提及之间的相互依赖性逐渐构建事件聚类,并使用两个不同的成对分类器来区分同一链中和跨文档事件指称之间的事件指称,并交替进行聚类后合并,最终执行事件链之间的进一步合并,从而在 WD 和 CD 事件共指解析的联合任务中胜过现有方法。
Jul, 2017
本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型,通过增量式将提及点组合成集群表征,并预测提及点与已构建的集群之间的链接,近似高阶模型,既成为实体和事件指代消解领域中具有竞争力的解决方案,也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。
Apr, 2021
本文提出了一种基于监督表示学习的聚类框架来解决事件指代消解问题,采用了含有新颖 CORE 项的神经网络架构作为模型,该模型可以通过建立事件提及嵌入使聚类变得更易操作;在 ECB + 语料库上的测试中,我们的模型在文内和跨文档指代消解问题上均获得了比竞争模型更好的结果,实验结果鼓舞人心,提出了一种利用表示学习解决指代消解和聚类问题的新的普适性框架。
May, 2018
本文提出了一种基于神经网络结构的跨文档匹配方法,能够有效地进行实体和事件的引用关系识别,其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型,并提供了该语料库上的第一个实体 - coreference 结果。
Jun, 2019
该研究基于 contextualized language representations 和 pretrained BERT model 开发了一种新的 event coreference 任务模型,通过训练神经网络分类器和简单的聚类算法,取得了 state-of-the-art 的实验结果。
Feb, 2021
本文提出了一种端到端的事件共指方法 ——E3C 神经网络,它可以联合建模事件检测和事件共指解析任务,并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中,进一步提出了一种类型引导的事件共指机制。实验证明,我们的方法在两个标准数据集上实现了新的最佳性能。
Sep, 2020
提出了一种融合视觉和文本线性映射的多模态跨文档事件共指解析方法,通过对事件中心图像的集成,对核心指称进行融合模型、线性映射和集合方法进行处理,实现了对事件共指的跨模态线性映射,为核心指称解析领域提供了多模态信息的实用性和需要更多多模态资源的提示。
Apr, 2024
使用自然语言处理(NLP)中的事件核指消解(Event Coreference Resolution)技术,通过利用现代自回归语言模型生成的假设自由文本(abductive free-text rationales)作为小型学生模型的远程监督,进行事件的跨文档核指消解(cross-document coreference),以提高核指消解的性能。
Apr, 2024
本文探讨了跨文档指代消解任务的交叉文档指代搜索模型,通过适应深挖掘检索模型作为基准线,并结合强大的指代打分方案,来寻找在大型文档集合中与给定事件相关的所有指代消解,通过相应的数据集来支持这项任务的研究。
Oct, 2022
通过构建文档级的修辞结构理论(Rhetorical Structure Theory, RST)树和跨文档词汇链,再利用异构图和 GAT 模型学习事件的表示,最后使用标准聚类算法识别共指事件,我们提出了针对现有的完全依赖于长距离依赖关系的事件关联模型不足的解决方案,并且在英文和中文数据集上都取得了显著的突破,超过了所有基准模型。
Jun, 2024