本文讨论识别事件之间时间关系的问题,提出了一种结构化学习方法,以解决在学习识别这些关系时必须考虑依赖关系的挑战。同时,该方法还提出了一个新的处理缺失关系问题的角度,并在两个基准数据集上取得了显著的改进。
Jun, 2019
本文介绍了两种旨在实现无人监督的时间关系提取方法,第一种基于弱监督机器学习方法和互联文献数据集,第二种是基于期望最大化算法和不同的技术手段,我们的实验结果表明,所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系,并实现了比以往更高的准确性。
Jan, 2014
本文采用约束条件模型的联合推理框架,通过整数线性规划问题来实现时间和因果关系的联合推理,从而在从文本中提取时间和因果关系方面取得了显著的统计改进。
该研究论文介绍了一种新的标注方案,以解决现有时间关系注释新闻数据集中存在的问题,并自动化了标注过程,从而减少了时间和人力成本。该论文还报告了基于新语料库进行训练和评估基线时间关系提取模型的结果,并与广泛使用的 MATRES 语料库的结果进行了比较。
Oct, 2023
本文提出了一种基于概率领域知识构建分布式约束的框架,并且通过 Lagrangian Relaxation 解决约束的推理问题,用于端到端的事件时间关系提取任务,实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。
Sep, 2020
本研究提出了一种新的语义框架来建模时间关系和事件持续时间,构建了迄今为止最大的时间关系数据集,并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型,表现出强大的实验结果,并展示了预测分类关系的迁移学习方法的功效。
Feb, 2019
我们提出了一种基于深度双向注意力的新型时间信息提取模型,直接执行关系提取任务,利用多层感知机进行弧预测和关系标签预测,充分利用时间关系的双向特性,实现了最新技术水平的时间关系提取性能。
Jan, 2022
本文开发了一种基于新闻领域概率性知识库的资源,提取事件之间的时间关系,可以用来改进现有的时间抽取系统,并提供有用的统计信息,从而有助于其他时间感知任务的开展。
Apr, 2018
本研究提出了一种新的时间信息提取模式,通过直接从文本预测事件的起止点来构建时间线,该模式实现了线性复杂度,利用 TimeML 风格的注释训练新的模型,结果表现出很好的效果。
Aug, 2018
本文综述了过去几十年来针对从文本中自动抽取时间信息的时间推理研究,并为基于机器学习的信息抽取系统集成符号推理提供了一个案例研究。
May, 2020