该研究提出了一种基于 Transformer 模型的 Reorder-BART 方法，旨在将文本中的乱序句子整合为有条理的文本，并在 7 个数据集上取得了较优的结果。其在零样本情况下也表现出良好的泛化能力。

Apr, 2021

本文提出了一种神经网络架构和一组训练方法，用于通过预测时间关系来排序事件。我们的模型在 MATRES 数据集上实现了新的最先进结果，方法包括预训练表示方法、多任务学习和自我训练技术。

Apr, 2020

本研究提出了一种基于被标记的时间点过程的新事件生成模型，其通过条件生成器以及多维标记来捕捉点过程的分布，从而在多维事件空间中实现了出色的学习效率和样本生成性能的表现，并且通过在数值实验中对比其他最先进基线表明其性能优于其他方法。

May, 2023

本文提出了一种使用双向多层递归神经网络进行序列到序列学习的方法，以预测文本中前一句的事件描述。我们的方法在来自 WikiHow 和 DeScript 两个数据集中的 BLEU 得分方面显着优于先前的研究。由于 BLEU 得分不易解释为事件预测的度量标准，因此我们结合第二个评估，利用事件的黄金释义集的丰富语言注释来补充我们的研究。

Sep, 2017

本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。我们的方法首先提取一个上下文词序列，该词序列与两个事件提及之间的依赖路径很好地对齐，并使用生成的词序列对应的词性标记序列和依赖关系序列作为输入，提供给双向循环神经网络 (LSTM) 模型。神经网络学习组成句法和语义上下文表征，以预测它们之间的时间关系。该方法在 TimeBank 语料库上的评估表明，顺序建模能够准确地识别事件之间的时间关系，并且胜过了以前基于特征的模型。

Jul, 2017

本文提出了一种基于事件中心预训练的生成式方法，其使用预先训练的语言模型 Fine-Tune 并通过对序列可能性的预测进行预测，从而软建模事件之间的关联。

Dec, 2022

使用大规模预训练语言模型自动产生基于事件级别的时间图的第一项研究，通过使用现有的信息提取 / 自然语言处理工具自动生成大量文档 - 图对，并将上下文化图的产生问题作为序列到序列映射任务提出创新方案，我们的实验表明，我们的方法在生成结构和语义有效的图方面非常有效。

Oct, 2020

该论文在事件建模和理解的背景下，提出了一种新的神经序列建模方法，该方法考虑了离散的、部分被观察到的外部知识序列。通过构建一个顺序神经变分自编码器，在精心定义的编码器中使用 Gumbel-Softmax 重参数化技术，允许半监督的外部离散知识在训练期间指导但不限制变分潜在参数。实验表明，该方法不仅优于多个基线和叙事脚本归纳的最新技术，而且收敛速度更快。

Oct, 2020

通过重新设定为条件集合生成问题并引入数据增强和集合属性规范化，我们提出了一种针对大型语言模型的集合对齐框架，用于生成更多关系边，以解决传统的文本生成目标与图形线性化序列的不符问题，并在事件时态图生成方面超过现有基线。此框架在零样本条件下通过引入结构知识显著提升模型的泛化能力，尤其是在训练样本有限的情况下。

Apr, 2024

本文提出了一种用于处理事件序列的概率模型 - 总结马尔可夫模型，通过选择合适的汇总功能函数，该模型的事件类型的发生概率仅依赖于其历史发生的事件类型的汇总，针对文本类数据进行了模型的构建和优化，通过实验检验模型的性能和发现能力。

May, 2022