Oct, 2019

利用关键词学习扩展事件检测到新类型

PDF
TL;DR本文针对传统事件检测模型的预定义事件类型的限制，提出了一种通过多个关键词描述事件类型以匹配文本特定上下文以适应新事件类型的新方法，同时，引入了一种基于新方法的卷积神经网络特征注意力机制来提高事件检测性能。实验表明，该方法增强了事件检测对于新类型的适应性，并且特征注意力机制有助于提高检测性能。
发现论文，激发创造
  • 通过对比损失增强的批量关注，半监督地识别并描述新事件类型

    本文提出了一种新的半监督事件类型归纳方法，使用掩蔽对比损失学习事件提及之间的相似性以及通过近似数据中的底层流形来解离已发现的群集，从而实现事件类型归纳和 FrameNet 帧的链接。

    Feb, 2022

  • Few-shot 学习事件检测的广泛匹配

    本文尝试将事件检测问题转化为少样本学习问题，利用匹配样本提供更多的训练信号来优化模型，在 ACE-2005 数据集（少样本学习）上得到了性能的提升。

    Jun, 2020

  • 神经网络事件检测：严格实证评估

    本文提出了一种基于 GRU 的模型，结合了注意机制，将语法信息和时间结构相结合，具有与其他神经网络架构相当的性能，在 ACE2005 数据集的不同随机初始化和训练验证测试划分下进行了经验评估。

    Aug, 2018

  • 有效事件检测的语义中枢模型

    本文提出了一种 Semantic Pivoting Model for Effective Event Detection (SPEED)—— 显式地在训练期间整合先前信息，捕捉输入与事件之间语义上的相关性，在多个设置中取得最先进的性能，并优于基线方法而不使用任何外部资源。

    Nov, 2022

  • 电力系统中基于多通道 GNN 的类型信息应用于事件检测

    该研究提出了一种基于多通道图神经网络的电力系统事件检测方法，利用语义和拓扑通道来处理短文本、专业术语和少量标记数据等问题，并在模拟和真实数据集上实现了较高的检测准确率。

    Nov, 2022

  • 事件抽取的零样本迁移学习

    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

  • 自适应知识增强贝叶斯元学习用于小样本事件检测

    提出知识为基础的少样本事件检测方法来解决在实际应用中缺乏正确标记数据的问题，并引入自适应知识增强贝叶斯元学习方法来动态地调整事件类型的知识先验。实验结果表明，在相同的少样本条件下，该方法在至少 15 个绝对 F1 点上一致且显著地优于多个基准线。

    May, 2021

  • 基于语料库的开放领域事件类型归纳

    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

  • 基于类型抽象的关系和事件类型发现

    本研究提出了一种基于类型抽象的联合训练框架，将实体 / 触发词表示和类型抽象表示作为两种视图，能够自动推断出新类型，并成功应用于多种关系提取和事件提取数据集。

    Nov, 2022

  • 基于提示学习和机器阅读理解的无触发器句子级事件检测

    本文提出了一种无触发词的事件检测模型，通过阅读理解和提示学习将事件检测转化为两个塔模型，在 ACE2005 和 MAVEN 的两个事件检测基准数据集上，实验结果表明，与现有的基于触发词和无触发词的方法相比，所提出的方法可以取得竞争性的性能。

    Jun, 2023