基于受控表示学习和聚类导向正则化的事件指代消解

May, 2018

基于受控表示学习和聚类导向正则化的事件指代消解

Resolving Event Coreference with Supervised Representation Learning and Clustering-Oriented Regularization

Kian Kenyon-Dean, Jackie Chi Kit Cheung, Doina Precup

TL;DR本文提出了一种基于监督表示学习的聚类框架来解决事件指代消解问题，采用了含有新颖 CORE 项的神经网络架构作为模型，该模型可以通过建立事件提及嵌入使聚类变得更易操作；在 ECB + 语料库上的测试中，我们的模型在文内和跨文档指代消解问题上均获得了比竞争模型更好的结果，实验结果鼓舞人心，提出了一种利用表示学习解决指代消解和聚类问题的新的普适性框架。

Abstract

We present an approach to event coreference resolution by developing a general framework for clustering that uses supervised representation learning. We propose a neural network architecture with novel Clustering

event coreference resolution supervised representation learning clustering-oriented regularization agglomerative clustering ecb+ corpus

发现论文，激发创造

基于 BERT 上下文表示的文档内事件指代消解

该研究基于 contextualized language representations 和 pretrained BERT model 开发了一种新的 event coreference 任务模型，通过训练神经网络分类器和简单的聚类算法，取得了 state-of-the-art 的实验结果。

Feb, 2021

基于层次距离依赖贝叶斯模型的事件关联消解

本文提出了一种新颖的基于层次距离相关性的贝叶斯模型，可以将成对的事件提及之间的距离纳入生成式聚类过程中，进而实现更好的事件聚类和事件消解效果。经过对 ECB + 语料库的实验证明，我们的模型在文档内和跨文档事件消解方面均优于最先进的方法。

Apr, 2015

序列跨文档指代消解

本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型，通过增量式将提及点组合成集群表征，并预测提及点与已构建的集群之间的链接，近似高阶模型，既成为实体和事件指代消解领域中具有竞争力的解决方案，也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。

Apr, 2021

重新审视跨文档实体和事件共指消解的联合建模

本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

Jun, 2019

通过迭代展开事件间的相互依赖关系进行事件核心链解析

提出一种新的迭代方法，通过采用同一链中和跨事件链中的事件提及之间的相互依赖性逐渐构建事件聚类，并使用两个不同的成对分类器来区分同一链中和跨文档事件指称之间的事件指称，并交替进行聚类后合并，最终执行事件链之间的进一步合并，从而在 WD 和 CD 事件共指解析的联合任务中胜过现有方法。

Jul, 2017

神经元全事件核指代消解

本文提出了一种端到端的事件共指方法 ——E3C 神经网络，它可以联合建模事件检测和事件共指解析任务，并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中，进一步提出了一种类型引导的事件共指机制。实验证明，我们的方法在两个标准数据集上实现了新的最佳性能。

Sep, 2020

利用图自编码网络高效解决事件指代消解的缺失问题

我们介绍了一种新颖高效的事件共指消解方法，将事件共指消解作为图重构任务，通过将深度语义嵌入与结构共指链知识相结合，创建了一系列参数高效的图自编码器模型（GAE）。我们的方法在荷兰的一个大型事件共指语料库上，在综合得分、效率和训练速度方面明显优于经典的提及对方法。此外，我们展示了我们的模型在更难的共指链接分类和低数据环境中相对于基于变换器的提及对共指算法更具鲁棒性。

Oct, 2023

多模态跨文档事件共指消解的线性语义转移和混合模态集成

提出了一种融合视觉和文本线性映射的多模态跨文档事件共指解析方法，通过对事件中心图像的集成，对核心指称进行融合模型、线性映射和集合方法进行处理，实现了对事件共指的跨模态线性映射，为核心指称解析领域提供了多模态信息的实用性和需要更多多模态资源的提示。

Apr, 2024

事件和实体的跨文档指代消解的对比表示学习

采用对比度表示学习方法的实体和事件共指解析技术，通过仅在推理时进行 n 个转换器计算的对比度学习技术，实现了对 ECB + 语料库关键指标的最先进结果和其他指标的竞争性。

May, 2022

通过学习实体级分布式表示来提高共指消解

通过使用神经网络和学习搜索算法，本研究提出了一种基于实体级信息的代指消解系统，其在 CoNLL 2012 共享任务数据集的英语和中文部分上，即使使用了很少的手工特征，也显著优于当前最先进的技术。

Jun, 2016