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

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

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

本论文基于句子 - 和文档级别的通用分解语义（UDS）图上的推论属性，以及支持该归纳的领域内现有注释，提出一个与语义角色、实体和事件 - 事件关系分类相结合的事件结构分类。通过使用这些图结构化的文档级生成模型，这篇论文识别了包括语境中细粒度事件的时间和语法结构的大量推论属性，从而构建了目前最大的事件结构和（部分）事件指代注释数据集。

Mar, 2021

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

本文提出了 Text2Event 模型，一种基于序列到结构生成范式的端到端学习模型，通过统一建模和普遍预测不同类型的标签，使用仅有记录级注释的情况下，实现了在监督和迁移学习中获得竞争性表现的事件抽取方法。

Jun, 2021

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

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

本文提出了一种使用双向多层递归神经网络进行序列到序列学习的方法，以预测文本中前一句的事件描述。我们的方法在来自 WikiHow 和 DeScript 两个数据集中的 BLEU 得分方面显着优于先前的研究。由于 BLEU 得分不易解释为事件预测的度量标准，因此我们结合第二个评估，利用事件的黄金释义集的丰富语言注释来补充我们的研究。

Sep, 2017

通过构建文档级的修辞结构理论（Rhetorical Structure Theory, RST）树和跨文档词汇链，再利用异构图和 GAT 模型学习事件的表示，最后使用标准聚类算法识别共指事件，我们提出了针对现有的完全依赖于长距离依赖关系的事件关联模型不足的解决方案，并且在英文和中文数据集上都取得了显著的突破，超过了所有基准模型。

Jun, 2024