本文提出了一种新颖的结构 Edge-Enhanced Graph Convolution Networks（EE-GCN），它利用句法结构和类型依赖标签信息同时进行事件检测任务，充分挖掘了隐藏在依赖边缘中的线索，实验结果表明，在 ACE2005 数据集上取得了明显的改进。

Feb, 2020

该研究提出一种利用数据触发词信息进行噪音信息过滤的门控机制，同时采用依存树来获得单词的整体语境重要性评分，从而提高事件检测的性能。实验结果表明，该方法在两个数据集上均达到了最先进水平。

Oct, 2020

提出了一种记忆性的层次增强网络 (Hierarchical Augmentation Networks, HANet) 框架，用于解决连续少样本事件检测任务，其中包括通过原型增强来记忆先前的事件类型以及通过对令牌表示进行对比性增强来学习新的事件类型。与其他方法和 ChatGPT 相比，实验证明我们的方法在多个连续少样本事件检测任务中表现显著优于所有这些方法。

Mar, 2024

本文提出了一个事件元结构来表征社交事件的语义相关性并构建了一个基于事件的异构信息网络（HIN），该网络合并了外部知识库中的信息，并提出了一种新的基于 KIES 的 PP-GCN 模型，用于对社交事件进行分类。实验结果表明，该方法在社交事件分类方面优于其他替代方法。

Jun, 2019

本文提出了一种名为 GIT 的异构图交互模型，该模型引入跟踪器模块解决文献中目标事件参数分布广泛、事件之间关联复杂的问题，并且在大规模数据集上实验表明，GIT 在提取多个相关事件和事件参数方面表现良好，F1 值比先前的方法提高了 2.8。

May, 2021

本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，用于增强句子中嵌套事件的抽取，其中每个句子首先通过联合建模的分层知识图地面化为一张句子图，并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中，对于所有事件和复杂事件分别实现了 1.41％和 3.19％的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。

Sep, 2020

本文提出了一种基于 Derangement 机制的机器阅读理解框架的无触发词事件检测方法，通过与所有事件类型 token 进行拼接并设计简单而有效的事件混淆模块来解决多标记分类、线索不足和事件分布不均衡等挑战。实验结果表明，该模型表现出色，并在低资源事件检测方面具有强大的性能。

Aug, 2022

提出了一种 ETGNN 方法以在社交媒体上检测社交事件，该方法基于图神经网络，具有时态感知和确定性理论，通过创新的临时感知集成器和证据深度神经网络对不同视图进行处理，最终实现了准确，可靠和鲁棒的社交事件检测。

May, 2022

通过本体嵌入建立相关知识联系的事件检测框架 OntoED，在解决数据稀缺和新未知事件类型方面比现有方法更卓越和稳健

May, 2021

提出知识为基础的少样本事件检测方法来解决在实际应用中缺乏正确标记数据的问题，并引入自适应知识增强贝叶斯元学习方法来动态地调整事件类型的知识先验。实验结果表明，在相同的少样本条件下，该方法在至少 15 个绝对 F1 点上一致且显著地优于多个基准线。

May, 2021