本论文提出了一个交互式易于使用的工具 ——ED Explorer，用于探索 Event Detection（ED）数据集和模型，帮助领域专家和非专家更好地理解 ED 任务并优化 MAVEN 数据集。

Apr, 2022

本研究构建了一个统一的大规模人工标注事件关系提取数据集 MAVEN-ERE，并改进了标注方案。该数据集包含 103,193 个事件共指链，1,216,217 个时间关系，57,992 个因果关系和 15,841 个子事件关系，是现有所有事件关系提取任务数据集的十倍以上。实验表明，MAVEN-ERE 上的事件关系提取具有相当高的挑战性，联合学习可以提高性能。

Nov, 2022

本研究基于用户评论、文本会话和电话会话等多种非正式、异构数据，提出了一个大规模的汉语事件检测数据集，并通过实验证明了非正式和异构数据的挑战性，为多源非正式事件检测提供了新的探索。

Nov, 2022

本研究介绍了一个新的大规模多语言数据集 MINION，用于事件检测 (Event Detection)，提供了 8 种不同语言的事件注释，其中有 5 种语言并未在现有的多语言数据集中支持。该数据集的实验和分析表明，事件检测在不同语言中存在挑战和可转移性，需要更多的研究努力。

Nov, 2022

MAVEN-Arg 是一个全方位支持事件理解的数据集，它覆盖了事件检测、事件参数提取和事件关系提取，并提供了全面的架构、大规模数据和详尽的标注，对于细调的事件参数提取模型和大型语言模型均具有挑战，同时还展示了潜在应用之一，即未来事件预测。

Nov, 2023

通过研究零样本事件检测中的事件类型和定义，提出了使用多样化的事件类型和定义来提高模型遵循事件定义的方法，并构建了一个自动生成的多样化事件定义（DivED）数据集进行实证研究，结果显示，大量的事件类型和多样化的事件定义可以显著提升事件提取性能，同时在训练中引入事件本体信息和困难负样本可以进一步提高性能，基于这些发现，在 DivED 数据集上微调 LLaMA-2-7B 模型，在三个零样本事件检测基准上取得了超越 GPT-3.5 等最新大语言模型的性能。

Mar, 2024

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

本论文提供了一个实用的通用事件检测数据集 GLEN，它使用了现有注释的 PropBank 作为远程监督，提出了一个新的多阶段事件检测模型，能够有效处理大本体大小和标签噪声问题，并在性能上表现出优越性。

Mar, 2023

EDM3 是一种基于生成任务模型的事件检测方法，通过利用语言模型的现有知识，实现了针对任何分类模式的训练；该算法在多个事件检测数据集上验证表现优异，在多任务性能方面更是领先 8.4%。

May, 2023

LEVEN 数据集是一个包含 108 种事件类型的大规模中国法律事件检测数据集，它不仅涵盖与收费相关的事件，还涵盖重要但在现有 LED 数据集中被忽略的一般事件，该数据集可显着促进 LED 方法的培训和评估，并可作为提高下游应用程序性能的有用附加信息。

Mar, 2022