EMNLPApr, 2019

Doc2EDAG：一个用于中文金融事件抽取的端到端文档级框架

PDF
TL;DR该研究提出了一种新型的端到端模型 - Doc2EDAG，可以生成一个基于实体的有向无环图，有效地完成文档级事件提取（DEE）任务，并将 DEE 任务重新定义为无触发词设计，以缓解文档级事件标注的负担。
event extractiondocument-level event labelingnatural language processingmachine learningentity-based directed acyclic graph
发现论文，激发创造
  • 高效端到端跨事件依赖的文档级事件抽取

    本文提出了一种采用深层价值网络（Deep Value Networks，DVN）的端到端模型，以有效捕获文档级事件提取中的跨事件依赖关系，并在 ACE05 数据集上获得与基于条件随机场（CRF）模型可比的性能，同时具有更高的计算效率。

    Oct, 2020

  • 超越单事件提取：迈向高效的文档级多事件论证提取

    提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation)，该模型能够同时从文档中提取所有事件的论证，并能够在四个公共数据集上达到最新的最佳性能，并显著节省推理时间。

    May, 2024

  • 从多个来源提取事件：走向跨文档事件提取范式

    通过提出跨文档事件抽取（CDEE）任务，综合多个文档中的事件信息，本论文解决了传统文档级事件抽取的局限性，并构建了一个新的信息抽取研究线路。

    Jun, 2024

  • 基于类人阅读过程的文档级事件抽取

    本文提出了基于人类阅读认知启发的文档事件抽取方法 HRE（Human Reading inspired Extractor for Document Events），通过将 DEE 分解为两个迭代阶段 ——rough reading 和 elaborate reading，逐步实现对于文本中散布的事件和多个事件的精细抽取。实验结果表明 HRE 优于之前竞争方法。

    Feb, 2022

  • 用大规模中文标题数据集基准测试开放式事件提取

    本文提供了一个大规模句子级别数据集，对开放式事件抽取进行基准测试，其中包含来自中国网页的 34000 多个新闻标题，为当前事件抽取问题上的高级研究提供了重要的依据。

    Nov, 2022

  • 基于中文电子病历的端到端临床事件提取

    该研究利用端到端事件提取模型提取医疗文本中的四个维度属性，并在临床发现事件挖掘任务中获得了第二名，模型效果取得了较好的表现。

    Aug, 2022

  • JSEEGraph: 联合结构化事件抽取作为图解析

    JSEEGraph 是一个基于图的事件抽取框架，采用 “意义表示解析” 的方式来处理事件抽取任务。该模型能够同时编码实体和事件，并能够进行其他信息抽取关系的编码和联合推理，并通过构图的方式处理实体和事件的嵌套结构。实验结果表明，JSEEGraph 具有很好的性能，尤其是可以处理嵌套事件结构和联合解决不同的信息抽取任务，代码和模型已经得到公开发布。

    Jun, 2023

  • 通过明确汇总事件信息来实现面向类型的解码的文档级事件抽取

    该论文介绍了一种新颖的基于模式的 SEA（Schema-based Explicitly Aggregating）模型，以解决文档级事件抽取中事件类型和参数之间的干扰问题，同时在 ChFinAnn 和 DuEE-fin 数据集上的实验证明该模型优于现有方法。

    Oct, 2023

  • 一种语义提及图增强的文档级事件论元抽取模型

    本研究提出了一个语义提及图增强模型，通过构建语义提及图来解决文档级事件论证抽取中的两个问题，并将关系特定的图融入到预训练语言模型的输入嵌入中，通过拓扑信息优化编码部分，从而全面增强关系，并在实验中取得了超越基线方法和达到新的最先进性能的结果。

    Mar, 2024

  • EventGraph：事件提取作为语义图解析

    本文介绍了 EventGraph，一种将事件编码为图形的联合框架，通过将触发事件和参数表示为语义图形中的节点，以此来解决事件提取的问题，并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果，并且在参数提取方面有了显著的改善。

    Oct, 2022