提出一种通过引入自主训练数据的自训练事件抽取系统的方法，它利用了跨多个来源的新闻文章中同一事件实例的多个提及的出现。在这个集群中，如果我们的系统能从一些提及中进行高置信度的抽取，那么它可以通过添加其他提及来获取多样化的培训示例。该方法对 ACE2005 和 TAC-KBP 2015 数据集上的多个事件提取器显示出显着的性能改进。

Aug, 2018

本文提出了一个阅读理解框架，用于解决文本数据中的事件抽取问题，并在少量数据上进行优化，取得了零样本以及少样本情况下的优异表现，其次还在 ACE 2005 基准数据集上取得了最佳性能。

Oct, 2020

本文提出了一个完整的框架，通过转移学习的有效性，从 CrudeOilNews 语料库中提取和处理与原油相关的事件，解决了注释稀缺和类别不平衡的问题，除了事件提取，还着重于事件属性（极性、情态和强度）分类，以确定每个事件的事实确定性，这对于如商品价格预测、摘要等下游任务非常有用。

May, 2022

提出一种扩展了事件类型的任务 - 开放域事件抽取的无监督模型，通过构建一个可扩展的隐变量神经模型，收集了大量的数据集并进行了手动注释，通过任务特定的评估指标进行了评估，与现有最先进的方法进行了比较，结果表明该模型比现有的事件模式归纳方法具有更好的性能。

Jun, 2019

本文提出了一种通过知识基础结构生成模型和深度强化学习代理程序迭代地从中选择有效子集的去噪结构生成增强框架（DAEE），以解决事件提取任务中语法不正确、结构不对齐和语义偏差等问题，并在多个数据集上进行试验，结果表明该方法生成了更多元化的事件提取文本表示，并取得了与最先进技术相当的效果。

May, 2023

本文提出了一种无监督事件抽取流程，使用先进的预训练语言模型并匹配语义，有效将事件映射到预定义的事件类型上，最终表现出色，成功地将 83% 的触发器和 54% 的参数映射到了正确类型。

Dec, 2020

使用大型语言模型，提出 STAR 数据生成方法用于改善低资源事件抽取表现，数据生成比人工标注更有效。

May, 2023

本文提出一种转移学习的神经架构，通过将事件提及和类型映射到共享语义空间中，实现事件提取，支持零样本学习，并在现有事件类型与新的事件类型上进行了实验，实现了与监督模型相当的效果。

Jul, 2017

该研究旨在验证文本理解是否已经发展到可以通过注释手册衍生出精炼的陈述来提取事件信息的程度，通过引入一个采用这种陈述的模型示例，实验表明我们可以在封闭本体中提取事件，并通过阅读新的定义来概括未见过的事件类型。

Dec, 2019

文章介绍了一种使用远程监督与主动学习相结合的方法进行关系提取，实现在减少专家标注数据的人力成本的同时，使神经网络在复杂数据集上得到更好的表现。

Jul, 2018