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
研究提供了一份跨来源、语言和国家的事件共参考数据集,并分析了多语言语料库的表现和贡献,发现近一半文档中的事件提及与其他事件提及共现,这不可避免地导致了错误或部分事件信息,事件核共参考可以帮助解决这一问题并减少错误。
Mar, 2022
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
本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型,通过增量式将提及点组合成集群表征,并预测提及点与已构建的集群之间的链接,近似高阶模型,既成为实体和事件指代消解领域中具有竞争力的解决方案,也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。
Apr, 2021
提出一种新的迭代方法,通过采用同一链中和跨事件链中的事件提及之间的相互依赖性逐渐构建事件聚类,并使用两个不同的成对分类器来区分同一链中和跨文档事件指称之间的事件指称,并交替进行聚类后合并,最终执行事件链之间的进一步合并,从而在 WD 和 CD 事件共指解析的联合任务中胜过现有方法。
Jul, 2017
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
通过构建文档级的修辞结构理论(Rhetorical Structure Theory, RST)树和跨文档词汇链,再利用异构图和 GAT 模型学习事件的表示,最后使用标准聚类算法识别共指事件,我们提出了针对现有的完全依赖于长距离依赖关系的事件关联模型不足的解决方案,并且在英文和中文数据集上都取得了显著的突破,超过了所有基准模型。
Jun, 2024
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。
通过使用基于潜在嵌入空间的实体 / 事件建模和只对难负例进行训练的分类器,以及在多个语料库上训练,对跨文档基准测试进行核心参考解决方案的分类效果进行了改进。
Oct, 2021
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