本文研究了使用循环神经网络框架在电子病历中提取医疗事件和属性的序列标注任务，实验结果表明其优于传统的有监督机器学习模型，可应用于药物监管等医疗信息学领域。

Jun, 2016

本文利用正向 - 反向循环神经网络（FBRNNs）来检测事件（无论是单词还是短语形式），并与现有方法在 ACE 2005 以及 Rich ERE 2015 中呈竞争态势。

Feb, 2018

基于 BERT 预训练模型，我们提出了一种基于 n-ary 关系抽取方法来构建 Binding 事件的方法，以捕捉事件上下文和参与者的语义信息。实验结果表明，我们的方法在 BioNLP 共享任务的 GE11 和 GE13 语料库上分别达到了 63.14% 和 59.40% 的 F1 得分，表明通过显著提高 Binding 事件的性能，整体性能超过了传统的基于管道的事件抽取方法甚至超过了目前的联合学习方法。

Mar, 2024

本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，用于增强句子中嵌套事件的抽取，其中每个句子首先通过联合建模的分层知识图地面化为一张句子图，并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中，对于所有事件和复杂事件分别实现了 1.41％和 3.19％的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。

Sep, 2020

本研究针对嵌套和重叠事件检测任务，提出了一种新的基于搜索的神经网络（SBNN）结构预测模型。该模型将任务视为触发器 - 参数结构的关系图上的搜索问题，并定义了构建事件的操作。在不使用任何句法和手动设计的特征的情况下，在 BioNLP 癌症遗传学共享任务 2013 上，该模型达到了与 TEES 模型可比的性能，同时在开发集上的进一步分析表明，该模型在提高 F1 分数性能的同时更具有计算效率。

Oct, 2019

本文提出了一种基于 GRU 的模型，结合了注意机制，将语法信息和时间结构相结合，具有与其他神经网络架构相当的性能，在 ACE2005 数据集的不同随机初始化和训练验证测试划分下进行了经验评估。

Aug, 2018

本文提出了一种无触发词的事件检测模型，通过阅读理解和提示学习将事件检测转化为两个塔模型，在 ACE2005 和 MAVEN 的两个事件检测基准数据集上，实验结果表明，与现有的基于触发词和无触发词的方法相比，所提出的方法可以取得竞争性的性能。

Jun, 2023

本篇论文提出了一种新的基于深度学习共享隐藏表示的模型，以联合预测实体提及、事件触发和参数，并进行实验验证表明，该方法具有最先进的事件提取性能。

Dec, 2018

本文提出一种名为 'entity triggers' 的新方法，通过众包收集注释以减少训练命名实体识别器所需的标注数量，使用自我注意力机制进行软匹配和泛化，提高成本效益，相比传统的神经 NER 框架，只使用注释的 20% 即可获得与 70% 传统标注相当的性能。

Apr, 2020

我们提交了两个系统参加 SemEval-2016 任务 12：临床 TempEval 挑战赛，我们在第 1 阶段参加，识别了临床笔记中的时间和事件表达式的文本跨度，第 2 阶段中，我们预测了事件与其父文档创建时间之间的关系。在时间实体提取方面，我们发现使用基于结构化预测的联合推断方法胜过仅包含针对大量临床文件集训练的词嵌入的普通递归神经网络。对于文档创建时间关系，我们发现将日期规范化和远程监督规则相结合，以预测事件和时间表达式上的关系，可以提高分类功效，尽管收益有限，可能是由于训练数据规模较小所致。

Jun, 2016