是否安排日程:提取任务特定时间实体及相关否定限制
本文提出使用基于 LSTM 简单统一的模型从文本中恢复不同类型的时间关系,通过依存路径提供输入,同时包括句内、句间和文档创作时间关系。运用双重检查技术,在分类中颠倒实体对,提高正例召回率并减少相反类之间的错误分类。最后,使用有效的剪枝算法在全局解决冲突。该方法在 QA-TempEval(SemEval2015 任务 5)上表现优于现有的方法。
Mar, 2017
研究通过使用神经网络模型来解决异步邮件交互中意图识别和实体提取困难的问题。使用该模型作为预处理步骤,可以有效提高调度程序的性能,并使实体提取和意图检测任务的精度平均提高 35%,同时无需降低召回率。同时,该方法也能用于大型文档中的组件级分析,如签名块的识别。
Feb, 2020
提出一种基于神经网络并采用多任务学习方法的信息提取模型,用于同时提取医学实体和否定词,该模型在低资源情况下使用基于条件 softmax 的共享解码器,实现了在 2010i2b2/VA 挑战数据集和专有的医学数据集上最先进的 NER 和否定检测效果。
Dec, 2018
该研究论文采用先进的方法解决了 LongEval CLEF 2023 Lab 任务 2:LongEval-Classification,提出了一种将时间戳包含在文本中的日期前缀文本输入预训练语言模型的框架,展示了日期前缀样本更好地加强了模型对于文本的时间上下文关系的性能,并通过对无标签数据进行自标记训练学生模型的方法进一步提高了性能。研究还使用了一种创新的数据增强策略,利用样本的日期前缀格式来增强自标记过程。该框架在 LongEval-Classification 评估集上获得了 0.6923 的总体得分,取得了第二名的排名,并且在短评估集中表现出了最好的相对性能下降 (RPD) 为 - 0.0656。
Sep, 2023
本文提出了一种新颖的方法,其中使用针对特定类别问题的时间事实提取技术辅助 Knowledge Base Question Answering,以解决由于知识库不完整和实体 / 关系链接错误而无法检索所有相关事实的问题,实验结果显示,相对于传统方法,本文方法的答案准确性提高了约 30%。
Mar, 2022
通过自然语言处理和机器学习技术,我们提出一种能够在语篇层面检测金融相关新闻时态性的新系统,利用了句法和语义依赖等复杂特征,从而提取主要陈述的主导时态。实验结果表明,与一种基于规则的替代方法相比,该系统具有较高的检测精确度,最终有助于发掘金融决策的预测性知识。
Mar, 2024
通过在段落中找到对时间相关问题的答案,我们的工作旨在利用一种被广泛应用于一般问答的方法,即答案提取。为了训练我们的模型,我们提出了一个新的数据集,灵感来自于 SQuAD,并专门为提供丰富的时间信息进行了调整。我们选择了适应于历史上最重要冲突的文集 WikiWars。我们的评估表明,通过训练进行模式匹配的深度学习模型,可以适应于处理时间相关问题,但需要对答案直接存在于文本中的问题进行回答。
Nov, 2023
该研究论文介绍了一种新的标注方案,以解决现有时间关系注释新闻数据集中存在的问题,并自动化了标注过程,从而减少了时间和人力成本。该论文还报告了基于新语料库进行训练和评估基线时间关系提取模型的结果,并与广泛使用的 MATRES 语料库的结果进行了比较。
Oct, 2023