EMNLPJul, 2017

一种用于对句内事件进行时间关系分类的序列模型

PDF
TL;DR本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。我们的方法首先提取一个上下文词序列，该词序列与两个事件提及之间的依赖路径很好地对齐，并使用生成的词序列对应的词性标记序列和依赖关系序列作为输入，提供给双向循环神经网络 (LSTM) 模型。神经网络学习组成句法和语义上下文表征，以预测它们之间的时间关系。该方法在 TimeBank 语料库上的评估表明，顺序建模能够准确地识别事件之间的时间关系，并且胜过了以前基于特征的模型。
temporal relation classificationsequential modelbidirectional recurrent neural networkdependency pathsyntactic and semantic representations
发现论文，激发创造
  • 学习句子内部的时间关系

    本文提出了一种基于数据密集的方法来推断句内时间关系，旨在实现 NLP 应用中的时间信息的提取和综合，比如摘要和问答，通过利用像 after 这样的标记来避免手动编码的需求，我们的方法首先表明，训练模型可以在用时暂未看到的情况下选择正确的标记，然后评估所提出的方法是否有望半自动创建时间注释，比较了许多概率模型在不同方面的差异。

    Oct, 2011

  • 事件时间关系抽取的深度结构神经网络

    本文提出了一种新的深度结构化学习框架，用于事件时间关系提取，其结构包括递归神经网络和结构化支持向量机，通过联合训练两部分模型，采用预训练上下文嵌入，证明了提出的模型的性能明显优于现有的方法，并提供了详尽的削减研究。

    Sep, 2019

  • 一种结构化学习方法用于时间关系提取

    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

  • 细粒度时间关系提取

    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

  • 生物句间关系抽取的神经结构

    本文介绍了一种基于深度学习的跨句子关系抽取模型，以生物医学领域中的生化事件为例，探讨如何自动给生化事件赋予其所处的生物体系背景，并提出了两种不同的神经网络模型分类器，结果表明，该模型精度比传统机器学习模型更高，特别是在跨句子关系抽取方面的难度更高。

    Dec, 2021

  • 使用 LSTM 架构中的句法依赖进行问答的时间信息提取

    本文提出使用基于 LSTM 简单统一的模型从文本中恢复不同类型的时间关系，通过依存路径提供输入，同时包括句内、句间和文档创作时间关系。运用双重检查技术，在分类中颠倒实体对，提高正例召回率并减少相反类之间的错误分类。最后，使用有效的剪枝算法在全局解决冲突。该方法在 QA-TempEval（SemEval2015 任务 5）上表现优于现有的方法。

    Mar, 2017

  • 无监督学习事件之间的时间关系

    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

  • 探索用于时间依存句法分析的上下文化神经语言模型

    本文基于 BERT 开发了几种 BERT-based 时间依赖句法分析器，表明 BERT 显著提高了时间依赖分析的性能。并对于深度上下文化语言模型有哪些帮助及不足进行了详细分析。

    Apr, 2020

  • 领域知识增强的结构化神经网络，用于端到端事件时间关系提取

    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

  • TIMELINE：新闻文章中支持自动排序事件的时间关系的详尽注释

    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