本综述介绍了从文本中检测事件的方法，探讨了任务定义、评估方法、基准数据集和方法学的分类，并展望了事件检测的未来研究方向。

Oct, 2022

本文提出了一个阅读理解框架，用于解决文本数据中的事件抽取问题，并在少量数据上进行优化，取得了零样本以及少样本情况下的优异表现，其次还在 ACE 2005 基准数据集上取得了最佳性能。

Oct, 2020

本文探讨了如何从文本中挖掘事件和附带信息，主要应用了机器学习技术进行事件检测和摘要，并讨论了在医学和 Twitter 上运用的应用和未来挑战

Jan, 2016

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

将事件抽取视为问答任务，实现端到端的事件参数提取，相比现有方法有显著提升。同时，也能够在零样本学习情况下提取训练期间未见过的事件参数角色。

Apr, 2020

本文提出了一种新的事件提取框架，该框架使用事件类型和参数角色作为自然语言查询，从输入文本中提取候选触发器和参数。通过查询中的丰富语义，我们的框架受益于注意机制，以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外，查询和提取公式允许我们的方法将来自各种本体的所有可用事件注释作为统一模型来利用。在 ACE 和 ERE 上的实验表明，本方法在每个数据集上均取得了最先进的性能，并在零 - shot 事件提取上显著优于现有方法。

Oct, 2021

我们提出了一种用于解决连续事件提取中语义混淆问题的新颖模型，通过为每个句子标记伪标签来缓解语义混淆，并在当前和之前的模型之间传递关键知识以提高对事件类型的理解，此外还通过利用其他关联类型来鼓励模型集中关注长尾事件类型的语义，实验结果表明我们的模型优于最先进的基线算法，并在不平衡数据集上表现出色。

Oct, 2023

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

本文介绍了 EventGraph，一种将事件编码为图形的联合框架，通过将触发事件和参数表示为语义图形中的节点，以此来解决事件提取的问题，并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果，并且在参数提取方面有了显著的改善。

Oct, 2022

该研究旨在分析自然语言文本，利用语义注释挖掘文本语料库中的重要事件，解锁语料库中的知识宝库，并就如何识别重要事件、进行语义搜索和事件分析等问题进行了探讨。

Mar, 2016