事件关系抽取的联合约束学习
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。
Sep, 2020
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
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
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
本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架,采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息,实现了同时提取多个事件触发器和参数,结果显示该框架与现有方法竞争性强。
Sep, 2018
本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架,该框架可同时抽取多个事件触发器和参数,并捕捉参数之间的关联信息,实现对长距离依赖关系的建模,达到了与最先进方法的实质性改进。
Mar, 2020
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
提出了将事件分段作为辅助任务以改善子事件检测学习的方法,并采用整流网络进行约束学习,并将学习到的约束转换为神经模型的损失函数中的正则化项,实验结果表明,该方法在子事件检测中比基准方法分别提高了 2.3%和 2.5%的性能,同时在事件分割预测方面表现良好。
Sep, 2021
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