EMNLPSep, 2018

自动事件显著性识别

PDF
TL;DR本研究旨在研究事件显著性（重要性）并提出两个基于内容相似性和语篇关系的显著性检测模型，经测试，两种方法明显优于强频率基线，同时神经模型通过大幅提高基于特征的模型而进一步改善。
event saliencesalience detection modelscontent similaritiesdiscourse relationsneural model
发现论文，激发创造
  • 运用巴特的基本功能模拟故事情节中事件的重要性

    本文提出了几种无监督方法来计算事件显著性，这些方法采用了巴特思对事件显著性的定义，并仅需要一个预先训练的语言模型。 在叙事文本上微调语言模型是提高提出方法表现的关键因素。

    Nov, 2020

  • 基于突显感知的事件链建模用于叙事理解

    本文提出了一种从自然语言文本中提取事件链的方法，该方法可以过滤非显著事件和支持性句子，并在两个任务中证明了其有效性：叙述预测和基于事件的时间问答。

    Sep, 2021

  • 利用上下文信息进行高效的实体显著性检测

    在文本文档中，通过对中的有限实体进行鲜明实体识别可以在多个下游应用领域中实现重要性提取，本研究通过细调中型语言模型以交叉编码器结构取得重大性能提升，同时展示了零 - shot 指令调整语言模型在此任务上表现不佳，凸显其独特且复杂性质。

    Sep, 2023

  • 用记忆和知识增强的语言模型推断长篇故事的关键性

    本研究利用 Barthes Cardinal Functions 和 surprise 和理论为基础的无监督方法，将其应用于长篇叙事形式中，改进了标准 transformer 语言模型，通过引入 Retrieval Augmented Generation 的外部知识库和添加记忆机制来提高该语言模型在长篇作品中的性能，使用来自 Shmoop 语料库的章节摘要来推导显著性标注的新方法，针对这些数据进行的评估证明，与非知识库和记忆增强语言模型相比，我们的显著性检测模型提高了性能，这两者对于此改善至关重要。

    Sep, 2021

  • 使用语篇关系最小监督学习情感事件

    本文提出了使用话语关系传播情感极性的方法，该方法只需要一个非常小的种子词汇表和一个大型原始语料库，能够有效地识别日语数据中的情感事件。同时，即使标记数据很少，该方法也能改善监督学习结果。

    Sep, 2019

  • 用于显著性事件图生成的级联大型语言模型

    本文介绍了 CALLMSAE，这是一个基于 CAscading Large Language Model 框架的关键事件图生成方法，它利用 LLMs 的能力，无需昂贵的人工注释。实验结果表明，该方法生成的关键事件图更准确，胜过竞争性基线模型。

    Jun, 2024

  • 神经网络事件检测：严格实证评估

    本文提出了一种基于 GRU 的模型，结合了注意机制，将语法信息和时间结构相结合，具有与其他神经网络架构相当的性能，在 ACE2005 数据集的不同随机初始化和训练验证测试划分下进行了经验评估。

    Aug, 2018

  • 从文本文档中检测和提取事件

    本文探讨了如何从文本中挖掘事件和附带信息，主要应用了机器学习技术进行事件检测和摘要，并讨论了在医学和 Twitter 上运用的应用和未来挑战

    Jan, 2016

  • 对话中内容和话语关系的联合建模

    该研究提出了一种联合建模方法来识别口头会议中的显著讨论点，并标记发言者之间的话语关系；对于预测内容选择和话语关系，该联合模型在两个普及的会议语料库上表现出优于现有方法的结果；同时，使用基于该模型构建的特征训练分类器相较于现有技术能够显著提高团队成员对团体决策的理解一致性预测性能。

    May, 2017

  • 快速且准确的神经话语分割

    本文提出一种基于 BiLSTM-CRF 框架的端到端神经分割器，为了提高其准确性，我们解决了数据不足的问题，并使用自我注意机制捕捉了有用的邻域信息，实验结果表明，我们的模型在达到新的最佳性能的同时，比以前的方法快得多。

    Aug, 2018