ACLJan, 2021

EventPlus: 一个时间事件理解管线

PDF
TL;DREventPlus 是第一个全面的时间事件理解流水线，可帮助用户快速获取任何用户提供的文档中有关事件及其时间信息的注释。此外，我们展示了 EventPlus 可以轻松适应其他领域（例如，生物医学领域），并公开了 EventPlus 以促进基于事件相关信息的提取和下游应用。
event understandingtemporal informationcommon sense knowledgebiomedical domaindownstream applications
发现论文，激发创造
  • 通过预测相对时间线提取时间信息

    本研究提出了一种新的时间信息提取模式，通过直接从文本预测事件的起止点来构建时间线，该模式实现了线性复杂度，利用 TimeML 风格的注释训练新的模型，结果表现出很好的效果。

    Aug, 2018

  • 领域知识增强的结构化神经网络，用于端到端事件时间关系提取

    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

  • OmniEvent: 事件全面、公正且易于使用的工具包

    事件理解工具 OmniEvent 实现了全面性、公平性和易用性，支持主流建模范式并处理 15 个广泛使用的英文和中文数据集，提供现成的模型和模块化框架，方便用户实施和评估新的事件理解模型。

    Sep, 2023

  • 超越分类：一种用于事件时间关系提取的统一框架

    本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。

    May, 2023

  • 通过识别叙事获取时间事件知识

    本文基于叙述文本中的双重时间特征，提出了一种新颖的方法来获取跨句子的丰富的事件先后顺序知识。通过探索叙述学原则和构建弱监督学习，从三个大型文本语料库中识别了 287k 个叙述段落，并从中提取了丰富的事件时间知识，这种事件知识对于改善时间关系分类任务很有用，并在叙述 Cloze 任务上优于最近几个神经网络模型。

    May, 2018

  • 细粒度时间关系提取

    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

  • 事件提取：综述

    本综述介绍了从文本中检测事件的方法，探讨了任务定义、评估方法、基准数据集和方法学的分类，并展望了事件检测的未来研究方向。

    Oct, 2022

  • 使用事件知识图谱和自然语言处理的全面事件表示

    利用自然语言处理技术，结合知识图谱的构建和上下文关系，利用 Transformer 技术从文本中提取事实信息以构建全面的基于图的事件表示。

    Mar, 2023

  • TempEval-3: 评估事件、时间表达式和时间关系

    描述了即将在 SemEval-2013 评估活动中准备的 TempEval-3 任务，旨在推进关于时间信息处理的研究，包括一个三部分任务结构，涵盖事件、时间表达和时间关系提取，一个更大的数据集和单一的总体任务质量得分。

    Jun, 2012

  • 模拟电子病历的可解释神经时空点过程建模

    基于 word2vec 和 Hawkes 过程，提出了一个可解释的事件序列建模框架 inf2vec，其中事件影响直接参数化并可进行端到端学习，实验证明了我们模型在事件预测和类型影响学习方面的优越性。

    Apr, 2024