通过阅读理解、指针网络和多跳计算，提出了一种新的模型来预测隐式参数，该模型良好地完成了隐式参数预测任务。

Nov, 2018

本文使用全局约束和提示来有效地处理事件参数分类，而无需任何标注和特定任务的训练，使用新的提示模板，可以轻松适应所有事件和参数类型，并且在多个数据集上实验证明了该方法的有效性。

Feb, 2023

本文提出了一种双向迭代 prompt-tuning 方法用于事件论元提取，将该任务视为填空式任务以充分利用实体信息和预训练语言模型（PLMs），通过引入上下文实体的论据角色来探索事件论证交互，并利用角色标签语义知识构建语义化言化器并为 EAE 任务设计三种模板，在 ACE 2005 英文数据集上进行有效性实验。

Oct, 2022

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

本篇论文通过在语义图中定义阶段和适应学习进展的提示模板，提出了一种基于课程学习的提示微调方法，结合预先训练的语言模型，解决了跨文本范围内的隐性事件参数提取问题，并在两个基准测试数据集中都表现优异。

May, 2022

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

本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

Apr, 2021

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

本文旨在设计一种无监督框架 RolePred，通过预训练语言模型自动生成事件类型下的参数角色，从而优化事件抽取过程。此外，作者基于维基百科数据集构建了一个包含 142 个自定义参数角色语义信息的新的事件抽取数据集，并最终在该数据集上验证了 RolePred 框架的效果。

Nov, 2022

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