文档上下文中实体和事件的联合提取
本文提出了一种采用深层价值网络(Deep Value Networks,DVN)的端到端模型,以有效捕获文档级事件提取中的跨事件依赖关系,并在 ACE05 数据集上获得与基于条件随机场(CRF)模型可比的性能,同时具有更高的计算效率。
Oct, 2020
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
本文提出了一种基于隐含变量的硬 EM 方法,联合进行生物医学实体链接和事件抽取,并通过 Genia 2011 和 BC4GO 两个基准数据集的实验结果展示了该方法在两个任务上均优于强基线模型。
May, 2023
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
本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架,采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息,实现了同时提取多个事件触发器和参数,结果显示该框架与现有方法竞争性强。
Sep, 2018
提出了一种联合约束学习框架来对事件 - 事件关系进行建模,这种方法有效弥补了联合标记数据的缺失,并在时间关系提取和事件层级构建方面优于现有的方法,同时也可在外部语料库上诱导事件复合体的有效性。
Oct, 2020
本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架,该框架可同时抽取多个事件触发器和参数,并捕捉参数之间的关联信息,实现对长距离依赖关系的建模,达到了与最先进方法的实质性改进。
Mar, 2020
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