本文提出了基于选择偏好原则的常识知识采集方法，构建了基于事件（activity，state 和 event）的大规模知识图谱 ASER，并使用概念化模块极大地拓展了其覆盖面。

Apr, 2021

本文介绍了 ASP-enhanced Entity-Relation extraction (ASPER) 方法，通过将 Answer Set Programming (ASP) 中的实际知识（表示为事实）和派生知识（表示为规则）与神经网络模型相结合，来联合识别实体和关系并从中学习。实验结果表明，ASPER 方法在两个真实数据集上均优于三个基线模型。

May, 2023

介绍了一种新的任务，即语言特定的事件推荐，旨在根据语言特定的上下文推荐与用户查询相关的事件，使用了语言特定的潜在向量表示和时空事件特征融合的方法 LaSER，在公开的维基百科点击流数据上进行训练并在用户研究中表现优越，为信息检索等活动提供支持。

Feb, 2023

通过自然语言查询，建立了 ESTER 数据集，针对五种最常见的事件语义关系，提供了超过 6,000 个问题和 10,100 个事件关系对，实验结果表明，当前的 SOTA 系统表现明显低于人类表现，并凸显我们的数据集作为一个具有挑战性的基准。

Apr, 2021

提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE，通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征，并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系，并使用多任务学习策略训练整个框架，实验证明 GraphERE 明显优于现有方法，进一步分析显示了图增强事件嵌入和共同提取策略的有效性。

Mar, 2024

本篇研究介绍了一个多语言的以事件为中心的知识图谱 EventKG，其中包括超过 690,000 个当代和历史事件以及超过 2.3 百万的时间关系，该知识图谱填补了现有知识库在事件和时间关系上的不足。

Apr, 2018

本研究介绍了 Event-QA 数据集，该数据集专注于回答关于事件的问题，针对现有 QA 系统和数据集关注于实体问题的情况，提供了一种新的回答事件问题的方法。

Apr, 2020

介绍了一种基于 ASP 的、能够通过权重规则进行概率推理的复杂事件识别系统，可应用于活动识别等领域，并与多种现有算法进行了比较，并证明了其在效率和预测性能方面的优越性。

Mar, 2021

利用自然语言处理技术，结合知识图谱的构建和上下文关系，利用 Transformer 技术从文本中提取事实信息以构建全面的基于图的事件表示。

Mar, 2023

通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。

Mar, 2024