从电影场景中无监督归纳出特定事件对
本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。
Aug, 2017
通过普通人提供的社交媒体用户生成内容，我们开发并测试了一种新颖的方法，从中学习关于日常事件之间的因果和条件关系的细粒度常识知识，该方法对于文本和故事理解、信息提取、问题回答和文本摘要具有重要意义，并且我们的实验证明，使用特定主题数据集可以学习到更精细的事件知识，并且相对于基线得到了显着的改进。
Aug, 2017
本文提出了一种基于事件中心预训练的生成式方法，其使用预先训练的语言模型 Fine-Tune 并通过对序列可能性的预测进行预测，从而软建模事件之间的关联。
Dec, 2022
利用大型语言模型 (LLM) 的最新进展，我们提出了首个事件因果识别方法，从 GPT 中设计特定提示以提取事件因果关系。根据 GLUCOSE 数据集中的人工注释事件因果关系，我们的技术表现与监督模型相当，同时易于推广到不同类型和长度的故事。提取的因果关系在故事质量评估上带来了 5.7% 的提升和 8.7% 的故事视频文本对齐改进，我们的发现表明事件因果在计算机故事理解中有巨大的潜力。
Nov, 2023
研究探讨了一种新的常识推断任务，通过构建新的众包语料库并使用神经编码器 - 解码器模型，成功地分析先前未见过的事件并推断参与者的意图和反应，揭示了现代电影剧本中普遍存在的隐性性别不平等问题。
May, 2018
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
通过构建配对概念，通过消除不可能对检索有帮助的概念来修剪，该方法解决了自动概念发现和培训中出现的问题，并通过解决视觉和领域适应问题展示了在 TRECVID MED 13 数据集上相对于其他基于视觉的系统的大幅度改进。
Sep, 2015
通过计算谓词和它们的论元的分布式表示，然后使用这些表示来预测原型事件排序，我们的方法从文本中联合估计计算事件表示和模型的排序组件的组合过程参数，证明此方法相较于以往的方法在排序性能方面有明显提升。
Dec, 2013
通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。
Mar, 2024
本文研究关系人物之间的情感极性特征，并提出结构化预测和聚类方法来解决该问题，在语言和语义特征的基础上，通过社交网络结构来提高模型性能。作者在维基百科电影概要数据集上验证了模型的优越性。
Dec, 2015