EMNLPJun, 2019

一种结构化学习方法用于时间关系提取

PDF
TL;DR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。
temporal relationsnatural language understandingstructured learning approachmissing relationsdata sets
发现论文，激发创造
  • 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

  • 提取事件之间的时间和因果关系

    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

  • TIMELINE：新闻文章中支持自动排序事件的时间关系的详尽注释

    该研究论文介绍了一种新的标注方案，以解决现有时间关系注释新闻数据集中存在的问题，并自动化了标注过程，从而减少了时间和人力成本。该论文还报告了基于新语料库进行训练和评估基线时间关系提取模型的结果，并与广泛使用的 MATRES 语料库的结果进行了比较。

    Oct, 2023

  • 领域知识增强的结构化神经网络，用于端到端事件时间关系提取

    本文提出了一种基于概率领域知识构建分布式约束的框架，并且通过 Lagrangian Relaxation 解决约束的推理问题，用于端到端的事件时间关系提取任务，实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。

    Sep, 2020

  • 事件关系抽取的联合约束学习

    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

  • 共享表示和结构预测的联合事件和时间关系抽取

    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

  • 学习句子内部的时间关系

    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

  • 基于检索增强的 LLMs 的事件时间关系抽取

    利用大型语言模型从相关知识中检索来增强提示模板和语言生成器的新型检索增强事件时间关系抽取方法，通过生成各种创意来有效提高事件时间关系抽取任务的性能。

    Mar, 2024

  • 通过预测相对时间线提取时间信息

    本研究提出了一种新的时间信息提取模式，通过直接从文本预测事件的起止点来构建时间线，该模式实现了线性复杂度，利用 TimeML 风格的注释训练新的模型，结果表现出很好的效果。

    Aug, 2018

  • 远程监督在时态关系抽取中的有效应用

    本研究提出了一种自动收集时间关系远程监督例子的方法，通过掩盖文本中明确的时间提示信号，训练出的模型能够学习到其他信号，实验表明预训练的 Transformer 模型能够通过这些弱标注的例子，在零样本和少样本情况下转移学习到具有人工注释的基准，并且遮罩方案对于改善泛化能力很重要。

    Oct, 2020