条件生成实现的文档级事件论元抽取
本文采用新型全局神经生成框架,构建文档存储器记录上下文事件信息,并利用它来隐式和显式地协助后续事件的参数解码,以解决从新闻文章中提取事件信息的挑战性问题,并且相比于之前的方法表现更出色并且对具有限制解码设计的对抗性注释样例更加稳健。
Sep, 2022
本文介绍了 EventGraph,一种将事件编码为图形的联合框架,通过将触发事件和参数表示为语义图形中的节点,以此来解决事件提取的问题,并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果,并且在参数提取方面有了显著的改善。
Oct, 2022
本文提出了一种问答方法来提取文档级别的事件 - 论证结构,使用手动定义的模板和生成型 Transformer 自动生成问题,并使用数据增强策略和迁移学习提高抽取结果的准确性,同时对最佳模型的错误进行详细分析。
Apr, 2024
本文研究如何在文档级别抽取跨句子传播的事件参数,提出了 FewDocAE 基准,介绍了在 Few-Shot 学习环境下采用先进的神经模型进行实验的基线结果。由于学习过程限制在非常少的例子上,这是一项具有挑战性的任务。希望该基准能够鼓励更多相关方面的研究。
Sep, 2022
本文提出了一个阅读理解框架,用于解决文本数据中的事件抽取问题,并在少量数据上进行优化,取得了零样本以及少样本情况下的优异表现,其次还在 ACE 2005 基准数据集上取得了最佳性能。
Oct, 2020
提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation),该模型能够同时从文档中提取所有事件的论证,并能够在四个公共数据集上达到最新的最佳性能,并显著节省推理时间。
May, 2024
基于文档的事件论证提取(EAE)需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架,通过计算每个事件的难度,并按照简单到复杂的顺序进行提取,以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4%,这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。
Oct, 2023
本研究针对现有文档级事件参与者角色提取模型无法在跨事件生成具有一致性的结果的问题,提出了基于事件关系的一致性约束机制,并介绍了一种集成上下文信息的事件感知 Argument Extraction 模型(EA^2E)来提升模型的一致性,WIKIEVENTS 和 ACE2005 数据集上的实验结果显示 EA^2E 模型比基准模型表现更加出色。
May, 2022
本文提出了一种采用深层价值网络(Deep Value Networks,DVN)的端到端模型,以有效捕获文档级事件提取中的跨事件依赖关系,并在 ACE05 数据集上获得与基于条件随机场(CRF)模型可比的性能,同时具有更高的计算效率。
Oct, 2020
本文通过使用预训练推理模型,将事件论元抽取等 NLP 任务转化为文本蕴涵任务,证明了文本蕴涵模型在复杂任务中同样有效,且可以大幅减少人工标注量和依赖于特定领域语料库的限制。使用多份蕴涵数据集来预训练模型是获得优异结果的关键。
May, 2022