Jul, 2019

基于图神经网络的事件可信度预测：语法和语义结构

PDF
TL;DR本文介绍了一种基于图的神经网络模型，能更有效地整合语义和语法信息，用于事件事实性预测任务。实验证明该模型在事件事实性预测任务中具有优势。
event factuality predictiongraph-based neural networksemantic informationsyntactic informationcoordination
发现论文，激发创造
  • 神经模型中的语义 - 句法推理

    研究使用神经模型捕捉词汇句法推理的能力。我们以事件事实预测任务为案例研究对象，并建立一个各种句法上下文中所有英语嵌入子句动词的事实判断数据集。我们使用这个数据集来探究当前最先进的神经系统的行为，揭示了这些系统在事实预测方面会出现某些系统性错误。

    Aug, 2018

  • 事实性的神经模型

    我们提出了两个神经模型用于事件事实预测， 在 FactBank、UW 和 MEANTIME 三个事件事实数据集上相较于之前的模型都有明显的性能提升。我们还大幅扩展了通用分解语义数据集的 It Happened 部分，从而得到了目前最大的事件事实数据集，并在此扩展的数据集上报告了模型结果。

    Apr, 2018

  • 带有语法和语义结构的图形变换网络用于事件参数提取

    本文提出了一种基于图变换网络（GTNs）利用句子的句法和语义结构来学习更有效的句子结构的新模型，并引入了基于信息瓶颈的新归纳偏差来提高 EAE 模型的泛化性能，实验结果表明该模型在标准数据集上具有最先进的 EAE 性能。

    Oct, 2020

  • 基于图神经网络的证据感知假新闻检测

    本研究提出了一种基于证据的假新闻自动检测框架 GET，该框架采用图形结构学习方法将索证和索证的长距离语义依赖关系整合起来，从而有效避免了序列模型在验证新闻真实性方面存在的缺陷。作为一项重要的技术创新，GET 的有效性已经得到了充分验证。

    Jan, 2022

  • 基于语义层面图的事实核查推理

    本文提出了一种适合推理证据语义结构的方法，并结合预训练模型和图卷积网络、图注意力网络来提高事实核查的准确性，实验证明丰富的结构信息对事实核查有所帮助，并且所提出的模型在官方评测中均获得了最佳表现。

    Sep, 2019

  • NGEP：基于图形的事件计划框架用于故事生成

    本研究提出一种基于自动构建事件图和神经事件顾问的事件规划框架，以提高长文本生成的性能，实验结果表明，该框架不仅在事件序列生成方面表现优异，而且在故事生成的下游任务上的效果也十分显著。

    Oct, 2022

  • 基于增强边缘的图卷积网络在带有句法关系的事件检测中的应用

    本文提出了一种新颖的结构 Edge-Enhanced Graph Convolution Networks（EE-GCN），它利用句法结构和类型依赖标签信息同时进行事件检测任务，充分挖掘了隐藏在依赖边缘中的线索，实验结果表明，在 ACE2005 数据集上取得了明显的改进。

    Feb, 2020

  • 基于图增强的 BERT 模型用于事件预测

    本研究提出使用 BERT 模型自动构建事件图来预测事件之间的关联，从而提高事件预测的准确性，实验结果表明本方法能够超过现有的基准方法。

    May, 2022

  • 构建叙事事件演化图用于剧本事件预测

    本文利用新闻语料库中的叙事事件链构建出叙事事件进化图去更好地利用事件网络信息进行剧本事件预测，并采用规模缩小的图神经网络进行事件交互建模和更好的事件表示学习，实验结果表明我们的模型在标准的多项选择故事勾画评估中显著优于现有的基准方法。

    May, 2018

  • 使用图卷积网络沿最短依赖路径进行联合事件抽取

    本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架，该框架可同时抽取多个事件触发器和参数，并捕捉参数之间的关联信息，实现对长距离依赖关系的建模，达到了与最先进方法的实质性改进。

    Mar, 2020