ACLAug, 2018

利用同义词聚类的半监督事件抽取

PDF
TL;DR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。
发现论文，激发创造
  • 通过自动训练数据生成放大事件抽取学习

    本文提出了使用远程监督自动生成训练数据，利用结构化知识库和神经网络模型来提高事件抽取的效果的方法。通过实验结果表明，该方法可以大量生成高质量的训练数据，并且可以识别出多种类型的事件。

    Dec, 2017

  • 通过对比损失增强的批量关注，半监督地识别并描述新事件类型

    本文提出了一种新的半监督事件类型归纳方法，使用掩蔽对比损失学习事件提及之间的相似性以及通过近似数据中的底层流形来解离已发现的群集，从而实现事件类型归纳和 FrameNet 帧的链接。

    Feb, 2022

  • 大规模文本语料中的无监督关键事件检测

    本文提出了一种新的任务，中间级别的重要事件检测，旨在从新闻语料库中检测在特定时间 / 位置发生的关键事件，并聚焦于相同的主题。为了解决这些挑战，我们开发了一个无监督的重要事件检测框架 EvMine，它提取时间频繁的 peak 短语，通过从我们设计的 peak 短语图中检测社区将 peak 短语合并成事件相关的特征集，使用从事件相关特征集自动生成的伪标签训练分类器，并利用检索到的文档迭代检测到的关键事件。

    Jun, 2022

  • 无监督学习事件之间的时间关系

    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

  • 针对少样本事件抽取探测和微调阅读理解模型

    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

  • 语义混淆矫正下的连续事件提取

    我们提出了一种用于解决连续事件提取中语义混淆问题的新颖模型，通过为每个句子标记伪标签来缓解语义混淆，并在当前和之前的模型之间传递关键知识以提高对事件类型的理解，此外还通过利用其他关联类型来鼓励模型集中关注长尾事件类型的语义，实验结果表明我们的模型优于最先进的基线算法，并在不平衡数据集上表现出色。

    Oct, 2023

  • 基于上下文线索的语音事件提取

    我们介绍了一种从语音信号中提取事件的新方法 ——Speech Event Extraction (SpeechEE)。我们提出了一种序列到结构生成范例，可以在端到端的方式上从语音信号中生成事件，并利用语音识别转录作为上下文线索的生成方法。实验结果显示，我们的方法在所有数据集上都取得了显著的改进，最大 F1 增益达到了 10.7%。

    Jan, 2024

  • 半监督神经标记的科学信息提取

    本文通过将问题建模为序列标注，并利用半监督学习方法和数据选择方案，提出了一个基于神经标注模型的关键短语提取和分类算法，该算法在 2017 年 SemEval 科学信息抽取任务中明显优于现有信息抽取方法。

    Aug, 2017

  • 事件抽取的零样本迁移学习

    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

  • 基于注意力图信息聚合的联合多事件抽取

    本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息，实现了同时提取多个事件触发器和参数，结果显示该框架与现有方法竞争性强。

    Sep, 2018