EMNLPSep, 2020

领域知识增强的结构化神经网络，用于端到端事件时间关系提取

PDF
TL;DR本文提出了一种基于概率领域知识构建分布式约束的框架，并且通过 Lagrangian Relaxation 解决约束的推理问题，用于端到端的事件时间关系提取任务，实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。
发现论文，激发创造
  • 事件时间关系抽取的深度结构神经网络

    本文提出了一种新的深度结构化学习框架，用于事件时间关系提取，其结构包括递归神经网络和结构化支持向量机，通过联合训练两部分模型，采用预训练上下文嵌入，证明了提出的模型的性能明显优于现有的方法，并提供了详尽的削减研究。

    Sep, 2019

  • 事件关系抽取的联合约束学习

    提出了一种联合约束学习框架来对事件 - 事件关系进行建模，这种方法有效弥补了联合标记数据的缺失，并在时间关系提取和事件层级构建方面优于现有的方法，同时也可在外部语料库上诱导事件复合体的有效性。

    Oct, 2020

  • 一种结构化学习方法用于时间关系提取

    本文讨论识别事件之间时间关系的问题，提出了一种结构化学习方法，以解决在学习识别这些关系时必须考虑依赖关系的挑战。同时，该方法还提出了一个新的处理缺失关系问题的角度，并在两个基准数据集上取得了显著的改进。

    Jun, 2019

  • 共享表示和结构预测的联合事件和时间关系抽取

    本文提出一种联合事件 - 时间关系抽取模型，借助于共享表示学习和结构化预测来避免传统管道系统中的错误传递，并在两个基准数据集上将端到端 F1 分别提高了 10％和 6.8％。

    Sep, 2019

  • 一种改进的神经网络基线用于时间关系提取

    本研究提出了一种新的神经系统，通过采用语境化单词嵌入，一个时间常识知识库的连体编码器和整数线性规划的全局推理，在 MATRES 数据集上进行训练，取得了一个基准数据集上绝对精度提高约 10％（25％的误差降低）的结果。我们认为，这种新方法可以为未来研究提供一个强大的基准线。

    Sep, 2019

  • 细粒度时间关系提取

    本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

    Feb, 2019

  • 无监督学习事件之间的时间关系

    本文介绍了两种旨在实现无人监督的时间关系提取方法，第一种基于弱监督机器学习方法和互联文献数据集，第二种是基于期望最大化算法和不同的技术手段，我们的实验结果表明，所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系，并实现了比以往更高的准确性。

    Jan, 2014

  • 提取事件之间的时间和因果关系

    本文提出一个集成时间和因果关系提取的框架，在该框架中，通过利用因果关系中事件先行的假设，将两个提取组件整合成一个系统，使用词嵌入和训练数据扩展等方法来改善关系提取系统，并介绍了将时间信息处理应用于其他语言的适应性尝试。

    Apr, 2016

  • 基于图形深度双仿射注意力模型的时间关系提取

    我们提出了一种基于深度双向注意力的新型时间信息提取模型，直接执行关系提取任务，利用多层感知机进行弧预测和关系标签预测，充分利用时间关系的双向特性，实现了最新技术水平的时间关系提取性能。

    Jan, 2022

  • 通过时间的神经 Datalog：通过逻辑规范实现知情的时间建模

    利用时态推理数据库跟踪结构化事实来探索过去事件如何影响事件的现有概率，并通过神经概率模型来提高预测准确率。

    Jun, 2020