ACLMay, 2020

使用多粒度上下文编码的文档级事件角色填充物提取

PDF
TL;DR本文研究了文档级事件抽取中跨句子事件命名的问题，并提出了一种多粒度阅读器，用于动态汇集不同粒度的神经表示学习的信息。通过在 MUC-4 数据集上进行实验，表明本文提出的最佳系统的表现显著优于先前工作，并对上下文长度和神经模型性能之间的关系进行了分析。
document-level event extractionneural sequence modelsmulti-granularity readerevent argument recognitioncontext length
发现论文，激发创造
  • 高效端到端跨事件依赖的文档级事件抽取

    本文提出了一种采用深层价值网络（Deep Value Networks，DVN）的端到端模型，以有效捕获文档级事件提取中的跨事件依赖关系，并在 ACE05 数据集上获得与基于条件随机场（CRF）模型可比的性能，同时具有更高的计算效率。

    Oct, 2020

  • 条件生成实现的文档级事件论元抽取

    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

  • 文档级论证抽取的动态全局内存

    本文采用新型全局神经生成框架，构建文档存储器记录上下文事件信息，并利用它来隐式和显式地协助后续事件的参数解码，以解决从新闻文章中提取事件信息的挑战性问题，并且相比于之前的方法表现更出色并且对具有限制解码设计的对抗性注释样例更加稳健。

    Sep, 2022

  • 基于 Token-Event-Role 结构的多通道文档级事件提取

    本文提出了一种新的基于令牌 - 事件 - 角色数据结构和多通道预测模块的文档级事件抽取框架，并证明了其在各项性能指标表现优异。

    Jun, 2023

  • GRIT: 文档级事件实体抽取的生成角色填充变换器

    使用生成式基于 Transformer 的编码器 - 解码器框架，以考虑文档级别上下文信息的方法来重新思考文档级别下的角色 - 实体抽取问题，并在 MUC-4 数据集上展示其优越性。

    Aug, 2020

  • 通过句子简化改进零样本事件提取

    本文提出一种通用方法，在 MRC 模型的指导下执行无监督的句子简化，以改善 MRC-based 事件提取的性能，并在 ICEWS 地缘政治事件提取数据集上进行评估，特别关注 'Actor' 和 'Target' 参数角色，结果显示上下文简化可以提高演员提取 5% 以上和目标提取 10% 以上的性能。

    Apr, 2022

  • 对文档级事件抽取的表示探测

    将探测分类器框架应用于文本级别信息提取，研究表明，通过深度神经网络模型得到的表示可以在一定程度上改进参数检测和标签化，并略微提升事件级别任务，尽管在连贯性和事件类型预测方面会有一些权衡，同时在处理文件长度和跨句子语篇方面仍存在一定的困难。

    Oct, 2023

  • 针对少样本事件抽取探测和微调阅读理解模型

    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

  • 一种双流 AMR 增强模型用于文档级事件论元抽取

    本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR)，通过双流编码模块从不同角度对整个文档进行编码，利用局部和全局信息，并采用边界损失增强边缘信息，取得了跨句子事件论元抽取方面的巨大进展。

    Apr, 2022

  • 利用语境线索和角色相关性增强文档级事件论元抽取

    本文提出了一种 SCPRG（Span-trigger-based Contextual Pooling and latent Role Guidance）模型，它包含两个新颖有效的模块，用于解决文档级事件论证提取的问题，并在公共数据集上表现出优越的性能。

    Oct, 2023