Sep, 2019

利用外部常识知识增强的事件表示学习

PDF
TL;DR本论文提出一种利用外部常识知识的方法，增强文本中提取的事件表示的有效性，实验结果表明该方法在事件相关任务中表现良好，如事件相似度计算、脚本事件预测和股票市场预测等方面得到了显著优化。
event representationscommonsense knowledgeevent similarityscript event predictionstock market prediction
发现论文，激发创造
  • Event2Mind：针对事件、意图和反应的常识推理

    研究探讨了一种新的常识推断任务，通过构建新的众包语料库并使用神经编码器 - 解码器模型，成功地分析先前未见过的事件并推断参与者的意图和反应，揭示了现代电影剧本中普遍存在的隐性性别不平等问题。

    May, 2018

  • 利用事件嵌入学习语义脚本知识

    通过计算谓词和它们的论元的分布式表示，然后使用这些表示来预测原型事件排序，我们的方法从文本中联合估计计算事件表示和模型的排序组件的组合过程参数，证明此方法相较于以往的方法在排序性能方面有明显提升。

    Dec, 2013

  • 使用事件知识图谱和自然语言处理的全面事件表示

    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

  • 事件共指解析中的多事件常识：前后发生的事情

    本文提出了一种扩展事件提及的模型，利用时间的常识推理生成一个复杂句子中与某一事件有关的先后发生的合理事件，将这种推理纳入事件共指模型中，可以提高其性能。

    Feb, 2023

  • 基于 BERT 上下文表示的文档内事件指代消解

    该研究基于 contextualized language representations 和 pretrained BERT model 开发了一种新的 event coreference 任务模型，通过训练神经网络分类器和简单的聚类算法，取得了 state-of-the-art 的实验结果。

    Feb, 2021

  • 基于知识增强的通识常识故事生成预训练模型

    本文针对故事生成中存在的重复、逻辑冲突和长距离一致性缺乏等问题，提出了一种基于知识增强预训练模型的通用故事生成方法。通过利用外部知识库中的常识知识来生成合理的故事，并采用多任务学习的方法来捕捉合理故事中句子之间的因果关系和时间依赖关系，从而在逻辑和整体一致性方面比其他最先进的模型有更好的表现。

    Jan, 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

  • 事件和实体的跨文档指代消解的对比表示学习

    采用对比度表示学习方法的实体和事件共指解析技术，通过仅在推理时进行 n 个转换器计算的对比度学习技术，实现了对 ECB + 语料库关键指标的最先进结果和其他指标的竞争性。

    May, 2022

  • 多模态事件图：走向多模态世界的事件中心理解

    本研究提出了多模态事件关系的新任务，并开发了一个大规模数据集和一种基于外部知识库的弱监督多模态方法，为人工智能系统实现媒体理解和跨媒体事件关系建立提供了支持。

    Jun, 2022

  • 常识知识图谱上的逻辑查询复杂推理

    通过从现有的常识知识图谱（CSKG）中采样多跳逻辑查询，并使用手工规则和大语言模型进行言语化，我们提出了 COM2（复杂常识）数据集，训练于此的语言模型在复杂推理能力方面取得了显著提升，从而在问题回答和生成常识推理的任务中表现出了增强的零样本性能，而无需昂贵的人工注释。

    Mar, 2024