时间和因果关系的联合推理
本文提出一个集成时间和因果关系提取的框架,在该框架中,通过利用因果关系中事件先行的假设,将两个提取组件整合成一个系统,使用词嵌入和训练数据扩展等方法来改善关系提取系统,并介绍了将时间信息处理应用于其他语言的适应性尝试。
Apr, 2016
提出了一种联合约束学习框架来对事件 - 事件关系进行建模,这种方法有效弥补了联合标记数据的缺失,并在时间关系提取和事件层级构建方面优于现有的方法,同时也可在外部语料库上诱导事件复合体的有效性。
Oct, 2020
本文讨论识别事件之间时间关系的问题,提出了一种结构化学习方法,以解决在学习识别这些关系时必须考虑依赖关系的挑战。同时,该方法还提出了一个新的处理缺失关系问题的角度,并在两个基准数据集上取得了显著的改进。
Jun, 2019
本文提出了一种基于数据密集的方法来推断句内时间关系,旨在实现 NLP 应用中的时间信息的提取和综合,比如摘要和问答,通过利用像 after 这样的标记来避免手动编码的需求,我们的方法首先表明,训练模型可以在用时暂未看到的情况下选择正确的标记,然后评估所提出的方法是否有望半自动创建时间注释,比较了许多概率模型在不同方面的差异。
Oct, 2011
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
本研究提出了一种新的神经系统,通过采用语境化单词嵌入,一个时间常识知识库的连体编码器和整数线性规划的全局推理,在 MATRES 数据集上进行训练,取得了一个基准数据集上绝对精度提高约 10%(25%的误差降低)的结果。我们认为,这种新方法可以为未来研究提供一个强大的基准线。
Sep, 2019
本文提出一种联合事件 - 时间关系抽取模型,借助于共享表示学习和结构化预测来避免传统管道系统中的错误传递,并在两个基准数据集上将端到端 F1 分别提高了 10%和 6.8%。
Sep, 2019
本篇论文针对自然语言处理中时间性事件以及它们之间关联的提取和理解问题,提出了采用整数规划的集成方法来提高多个分类器的关于文本中时间性表达的判断。实验结果表明该方法在 SemEval-2013 TempEval-3 (Temporal Annotation) 和 SemEval-2016 Task 12 (Clinical TempEval) 两个最新挑战中明显优于使用单个分类器的结果。
Dec, 2014
提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架,通过遮蔽和正则化的策略,采用基于得分的时间因果发现方法,无需依赖干预目标进行根本原因分析,并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识,以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。
Apr, 2024