共享表示和结构预测的联合事件和时间关系抽取

EMNLPSep, 2019

共享表示和结构预测的联合事件和时间关系抽取

Joint Event and Temporal Relation Extraction with Shared Representations and Structured Prediction

Rujun Han, Qiang Ning, Nanyun Peng

TL;DR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％。

Abstract

We propose a joint event and temporal relation extraction model with shared representation learning and structured prediction. The proposed method has two advantages over existing work. First, it improves event representation by allowing the event and relation modules to share the same

event extraction temporal relation extraction shared representation structured inference neural representation learner

发现论文，激发创造

事件时间关系抽取的深度结构神经网络

本文提出了一种新的深度结构化学习框架，用于事件时间关系提取，其结构包括递归神经网络和结构化支持向量机，通过联合训练两部分模型，采用预训练上下文嵌入，证明了提出的模型的性能明显优于现有的方法，并提供了详尽的削减研究。

Sep, 2019

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

一种结构化学习方法用于时间关系提取

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

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

细粒度时间关系提取

本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

Feb, 2019

一体化建模：实体和事件的神经联合建模

本篇论文提出了一种新的基于深度学习共享隐藏表示的模型，以联合预测实体提及、事件触发和参数，并进行实验验证表明，该方法具有最先进的事件提取性能。

Dec, 2018

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

Brundlefly 在 SemEval-2016 任务 12 中：循环神经网络 VS 联合推断用于临床时间信息提取

我们提交了两个系统参加 SemEval-2016 任务 12：临床 TempEval 挑战赛，我们在第 1 阶段参加，识别了临床笔记中的时间和事件表达式的文本跨度，第 2 阶段中，我们预测了事件与其父文档创建时间之间的关系。在时间实体提取方面，我们发现使用基于结构化预测的联合推断方法胜过仅包含针对大量临床文件集训练的词嵌入的普通递归神经网络。对于文档创建时间关系，我们发现将日期规范化和远程监督规则相结合，以预测事件和时间表达式上的关系，可以提高分类功效，尽管收益有限，可能是由于训练数据规模较小所致。

Jun, 2016

超越分类：一种用于事件时间关系提取的统一框架

本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。

May, 2023

一种用于对句内事件进行时间关系分类的序列模型

本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。我们的方法首先提取一个上下文词序列，该词序列与两个事件提及之间的依赖路径很好地对齐，并使用生成的词序列对应的词性标记序列和依赖关系序列作为输入，提供给双向循环神经网络 (LSTM) 模型。神经网络学习组成句法和语义上下文表征，以预测它们之间的时间关系。该方法在 TimeBank 语料库上的评估表明，顺序建模能够准确地识别事件之间的时间关系，并且胜过了以前基于特征的模型。

Jul, 2017