通过回答 (几乎) 自然问题进行事件提取
本文提出了 QGA-EE 模型,利用动态模板和问题生成技术有效处理事件提取任务中的多个参数、上下文信息和固定模板的问题,优于之前的单一任务模型,并在 ACE05 英语数据集上取得了最好的表现结果。
Jul, 2023
本文提出了一种问答方法来提取文档级别的事件 - 论证结构,使用手动定义的模板和生成型 Transformer 自动生成问题,并使用数据增强策略和迁移学习提高抽取结果的准确性,同时对最佳模型的错误进行详细分析。
Apr, 2024
通过利用强化学习方法,我们提出了四个评估问题质量的标准,并在基于问题回答的事件提取中生成了流畅、具有概括性和上下文相关性的问题,从而为 QA 模型提供了明确的指导。在 ACE 和 RAMS 数据集上进行的广泛实验证实了我们方法的有效性,同时也展示了它在训练数据有限的情况下的鲁棒性。
May, 2024
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
本文提出了一种论据提取的检索增强生成问答模型,结合了生成方法和检索技术,从而提高了事件论据提取的性能,并提出了一种基于聚类的样本采样策略,以进一步提高模型在 few-shot 学习中的表现。
Nov, 2022
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
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
本文提出了一种文档级神经事件关系抽取模型,将其作为一种条件生成的过程,并使用事件模板。此外,作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明,该模型在事件论证抽取方面取得了较好的性能,并展示了零样本事件提取框架的可移植性。
Apr, 2021
该研究提出了利用语法引导 transformer 的长距离依存关系,来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上,该方法取得了新的最高性能。
Oct, 2020