提出知识为基础的少样本事件检测方法来解决在实际应用中缺乏正确标记数据的问题，并引入自适应知识增强贝叶斯元学习方法来动态地调整事件类型的知识先验。实验结果表明，在相同的少样本条件下，该方法在至少 15 个绝对 F1 点上一致且显著地优于多个基准线。

May, 2021

本论文提出了一个交互式易于使用的工具 ——ED Explorer，用于探索 Event Detection（ED）数据集和模型，帮助领域专家和非专家更好地理解 ED 任务并优化 MAVEN 数据集。

Apr, 2022

本文提出了一种基于 Derangement 机制的机器阅读理解框架的无触发词事件检测方法，通过与所有事件类型 token 进行拼接并设计简单而有效的事件混淆模块来解决多标记分类、线索不足和事件分布不均衡等挑战。实验结果表明，该模型表现出色，并在低资源事件检测方面具有强大的性能。

Aug, 2022

通过研究零样本事件检测中的事件类型和定义，提出了使用多样化的事件类型和定义来提高模型遵循事件定义的方法，并构建了一个自动生成的多样化事件定义（DivED）数据集进行实证研究，结果显示，大量的事件类型和多样化的事件定义可以显著提升事件提取性能，同时在训练中引入事件本体信息和困难负样本可以进一步提高性能，基于这些发现，在 DivED 数据集上微调 LLaMA-2-7B 模型，在三个零样本事件检测基准上取得了超越 GPT-3.5 等最新大语言模型的性能。

Mar, 2024

本文通过对 10 种方法的比较研究，提出一种对少样本事件检测模型的统一视图和基准，为未来的研究提供了许多有价值的研究见解。

May, 2023

本文提出了一种使用标签增强的异构图注意力网络 (L-HGAT) 来解决中文事件检测中的单词触发器不匹配问题的方法。在该方法中，每个句子被转换成一个图，其中包含了单词和字符之间的交互作用，并使用异构图注意力网络来传播关系信息和丰富信息交互。此外，每个标签都被转换为基于触发器原型的嵌入。在两个基准数据集上进行的实验表明，该模型比其他基线方法取得了显着的改进。

Dec, 2020

该论文提出了一种零样本事件抽取方法，通过使用两个转换器模型将事件提及及其定义投射到相同的嵌入空间，通过对比学习来最小化它们的嵌入距离以实现定义语义建模，并在 MAVEN 数据集上进行了实验，表现优于之前的零样本和有样本监督方法。

Nov, 2022

本文提出了一种基于语料库的开放领域事件类型归纳方法，该方法使用聚类 <谓词意义，对象头> 对每种事件类型进行表示，并利用选择显著谓词和对象头、利用动词意义词典消歧谓词语义、联合嵌入和聚类 <谓词意义，对象头> 对事件类型进行潜在球面空间的建模。多项实验表明，该方法能够有效地发现具有重要意义和高质量的事件类型。

Sep, 2021

EDM3 是一种基于生成任务模型的事件检测方法，通过利用语言模型的现有知识，实现了针对任何分类模式的训练；该算法在多个事件检测数据集上验证表现优异，在多任务性能方面更是领先 8.4%。

May, 2023

本文提出一种新型的 CEO 语料库事件本体感知模型，可以通过利用语料库中的显著性事件和外部事件知识，来缓解预定义事件本体所带来的数量限制问题，并且可以诱导具有意义的层次结构事件本体，在 11 种领域中有更好的覆盖率和更高的准确性。

May, 2023