Nov, 2020

跨多个语料库的跨文档事件共指消解

PDF
TL;DR本研究针对交叉文档事件共指消解（CDCR）任务，提出三个 CDCR 语料库的一致性评估，比较特征模型和神经模型的性能，发现特征模型在多个语料库上具有更加稳定的表现，而神经模型在不同语料库之间的表现存在差异。此研究强调了 CDCR 的通用性以及必要性，为未来的研究提供了有价值的探索性数据。
发现论文，激发创造
  • CD2CR: 文档和领域间的共指消解

    本研究提出了一个新的任务和数据集，针对异构文档类型之间的跨文档共指解析 (CD2CR)。作者发现现有的 CDCR 模型在这种跨域、跨文档的情况下表现不佳，并提供了一个优于当前 CDCR 最先进模型的基准模型。

    Jan, 2021

  • 多模态跨文档事件共指消解的线性语义转移和混合模态集成

    提出了一种融合视觉和文本线性映射的多模态跨文档事件共指解析方法，通过对事件中心图像的集成，对核心指称进行融合模型、线性映射和集合方法进行处理，实现了对事件共指的跨模态线性映射，为核心指称解析领域提供了多模态信息的实用性和需要更多多模态资源的提示。

    Apr, 2024

  • 基于生成的理由和知识蒸馏的事件共指建模

    使用自然语言处理（NLP）中的事件核指消解（Event Coreference Resolution）技术，通过利用现代自回归语言模型生成的假设自由文本（abductive free-text rationales）作为小型学生模型的远程监督，进行事件的跨文档核指消解（cross-document coreference），以提高核指消解的性能。

    Apr, 2024

  • 跨文档事件共指搜索：任务、数据集和建模

    本文探讨了跨文档指代消解任务的交叉文档指代搜索模型，通过适应深挖掘检索模型作为基准线，并结合强大的指代打分方案，来寻找在大型文档集合中与给定事件相关的所有指代消解，通过相应的数据集来支持这项任务的研究。

    Oct, 2022

  • 协同事件理解：基于大型语言模型的跨文档事件共指消解的协同方法

    利用大型语言模型和小型语言模型协作的方法在跨文档事件共指解析中取得了最好的性能，并且在不同的数据集中都表现出了最先进的性能，强调了其在多样场景中的有效性。

    Jun, 2024

  • 预测提及的跨文档指代消解

    该论文介绍了第一个完整的交叉文档代词消解深度学习模型，能够在标注实体和事件时取得很好的效果，并且在预测实体和事件时能够为 ECB + 数据集设立第一个基准。

    Jun, 2021

  • 基于提示的事件共指消解：通过测量事件类型和参数的兼容性

    事件指代消解的提问式模板方法（CorefPrompt）在单一模板中实现了事件建模和指代消解，并通过两个辅助任务明确展示了推理过程，提高了模型的预测能力。

    Oct, 2023

  • 神经元全事件核指代消解

    本文提出了一种端到端的事件共指方法 ——E3C 神经网络，它可以联合建模事件检测和事件共指解析任务，并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中，进一步提出了一种类型引导的事件共指机制。实验证明，我们的方法在两个标准数据集上实现了新的最佳性能。

    Sep, 2020

  • $2 * n$ 更优于 $n^2$：将事件核指代消解分解为两个易处理问题

    本文提出了一种新的 Event Coreference Resolution（ECR）方法，通过词形匹配、过滤和平衡训练集等步骤，实现了对跨文档和同一文档内事件提及的链接，减少了计算需求，并在两个常用 ECR 数据集上获得了与当前先进水平相当的结果。

    May, 2023

  • 重新审视跨文档实体和事件共指消解的联合建模

    本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

    Jun, 2019