ACLMay, 2021

基于异构图交互模型和跟踪器的文档级事件提取

PDF
TL;DR本文提出了一种名为 GIT 的异构图交互模型，该模型引入跟踪器模块解决文献中目标事件参数分布广泛、事件之间关联复杂的问题，并且在大规模数据集上实验表明，GIT 在提取多个相关事件和事件参数方面表现良好，F1 值比先前的方法提高了 2.8。
document-level event extractionheterogeneous graph-based interaction modelglobal interactionstracker modulecorrelated events
发现论文，激发创造
  • EventGraph：事件提取作为语义图解析

    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

  • 基于注意力图信息聚合的联合多事件抽取

    本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息，实现了同时提取多个事件触发器和参数，结果显示该框架与现有方法竞争性强。

    Sep, 2018

  • 使用分层知识图谱进行生物医学事件提取

    本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，用于增强句子中嵌套事件的抽取，其中每个句子首先通过联合建模的分层知识图地面化为一张句子图，并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中，对于所有事件和复杂事件分别实现了 1.41％和 3.19％的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。

    Sep, 2020

  • 高效端到端跨事件依赖的文档级事件抽取

    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

  • 具有异构图注意力网络的标签增强事件检测

    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

  • 文档上下文中实体和事件的联合提取

    本文提出了一个新的方法来建立事件、实体及它们关系变量之间的依赖关系，并在文档级别上执行联合推理，以使上下文的信息得到充分利用，实现上下文感知式的预测，并证明其大幅优于现有的事件提取和实体提取方法以及强基线。

    Sep, 2016

  • 事件 GDR：以事件为中心的生成式文档检索

    提出了 Event GDR，一种以事件为中心的生成式文档检索模型，通过将事件知识集成到任务中，解决了忽略文档内部内容相关性和标识符构建缺乏明确语义结构的两个挑战。通过多代理的交换 - 反射方法来进行事件知识提取，利用事件和关系对文档进行建模以保证全面性和内部内容相关性，将事件映射到明确的事件分类法构建标识符。实验证明，该方法在两个数据集上明显优于基线，并希望为未来的研究提供启示。

    May, 2024

  • 零 - shot 跨语言文档级事件因果识别：异构图对比迁移学习

    本文提出了一种多粒度对比迁移学习的异构图交互模型，用于零样本跨语言文档级事件因果识别，模型在多语言环境中相比之前的最先进模型提高了 9.4% 的平均 F1 得分，并且在整体性能方面，超过了 GPT-3.5 少样本学习 24.3% 的性能。

    Mar, 2024

  • 基于伪触发词感知的修剪完全图的高效文档级事件提取

    本研究提出了一种快速轻量级的模型 PTPCG，通过修剪完整图及自动选出的伪触发器进行非自回归解码，实现文档级事件抽取的高效率，取得了比之前系统更具竞争力的结果。

    Dec, 2021

  • 超越单事件提取：迈向高效的文档级多事件论证提取

    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