使用神经潜变量模型进行开放领域事件抽取
本文提出了一种基于语料库的开放领域事件类型归纳方法,该方法使用聚类 <谓词意义,对象头> 对每种事件类型进行表示,并利用选择显著谓词和对象头、利用动词意义词典消歧谓词语义、联合嵌入和聚类 <谓词意义,对象头> 对事件类型进行潜在球面空间的建模。多项实验表明,该方法能够有效地发现具有重要意义和高质量的事件类型。
Sep, 2021
本文提出了使用远程监督自动生成训练数据,利用结构化知识库和神经网络模型来提高事件抽取的效果的方法。通过实验结果表明,该方法可以大量生成高质量的训练数据,并且可以识别出多种类型的事件。
Dec, 2017
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
本文提出了一个基于对抗生成网络的事件提取模型,可以对长文本进行结构化表示,实验结果显示该模型在三个数据集上的表现优于基线模型,尤其在新闻文章数据集上提高了 15% 的 F - 度量值。
Aug, 2019
本篇文章提出一种基于潜变量的抽取式文本摘要模型,通过使用句子作为潜变量和检索金标准摘要来改善基于启发式标签的抽取式模型,并在 CNN/Dailymail 数据集上得到了良好的结果。
Aug, 2018
通过结合大型语言模型和聚类分析,利用自动化事件检测框架从全球事件、语言和情感数据库(GDELT)中检测新闻事件,并通过关键词提取、文本嵌入、事件摘要和主题标签等任务加强事件聚类,以提供有价值的洞察力和增强新闻报道的准确性和深度。
Jun, 2024
本文提出了一种无监督事件抽取流程,使用先进的预训练语言模型并匹配语义,有效将事件映射到预定义的事件类型上,最终表现出色,成功地将 83% 的触发器和 54% 的参数映射到了正确类型。
Dec, 2020
本研究聚焦于利用大型语言模型(LLMs)进行自动事件提取,介绍了一种新方法以解决幻觉问题,通过将任务分解为事件检测和事件参数提取,并将动态结构感知的增强检索示例集成到为每个具体查询定制的提示中,从而扩展和适应检索增强生成等先进提示技术。评估结果表明,与基线方法相比,该方法在突出的事件提取基准和合成基准测试中表现出卓越的性能。
Jun, 2024
本文提出一种转移学习的神经架构,通过将事件提及和类型映射到共享语义空间中,实现事件提取,支持零样本学习,并在现有事件类型与新的事件类型上进行了实验,实现了与监督模型相当的效果。
Jul, 2017