ACLAug, 2021

DEGREE: 一种数据高效的基于生成的事件抽取模型

PDF
TL;DR文章提出了一种数据有效性事件提取模型 DEGREE，通过联合学习触发器和参数，利用设计的提示语义指导模型，能够在少量有标注数据的情况下进行低资源端到端的事件提取，并从生成的自然语言摘要中提取最终事件预测结果。
event extractiondata-efficient modellow-resource end-to-end event extractiondegreejoint learning
发现论文，激发创造
  • 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

  • 基于类人阅读过程的文档级事件抽取

    本文提出了基于人类阅读认知启发的文档事件抽取方法 HRE（Human Reading inspired Extractor for Document Events），通过将 DEE 分解为两个迭代阶段 ——rough reading 和 elaborate reading，逐步实现对于文本中散布的事件和多个事件的精细抽取。实验结果表明 HRE 优于之前竞争方法。

    Feb, 2022

  • 条件生成实现的文档级事件论元抽取

    本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

    Apr, 2021

  • 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

  • 通过自动训练数据生成放大事件抽取学习

    本文提出了使用远程监督自动生成训练数据，利用结构化知识库和神经网络模型来提高事件抽取的效果的方法。通过实验结果表明，该方法可以大量生成高质量的训练数据，并且可以识别出多种类型的事件。

    Dec, 2017

  • 基于提示的图模型用于联合自由事件抽取和事件模式归纳

    事件抽取任务旨在识别和分类事件，并根据事件模式找到其参与者。我们提出了一种基于提示的图模型用于自由事件抽取，该模型使用基于提示的方法获取候选触发器和参数，并构建异构事件图来编码事件内部和事件间的结构。实验结果表明，我们的方法在预定义事件模式下或无预定义事件模式下都能取得出色的性能，并且自动检测到的事件模式质量高。

    Mar, 2024

  • DICE: 用生成模型实现高效数据临床事件抽取

    通过引入 DICE，一种强大而高效的、面向临床文本的、用于事件抽取的生成模型，结合领域专家提供的描述来提高在低资源情况下的性能，该模型通过学习辅助提及标识任务来定位和绑定生物医学提及，并将其作为触发器和参数候选人引入相应的任务中，结果表明 DICE 在临床领域数据不足情况下的稳健性及生成方法中包含灵活的联合训练和提及标记的益处。

    Aug, 2022

  • Doc2EDAG：一个用于中文金融事件抽取的端到端文档级框架

    该研究提出了一种新型的端到端模型 - Doc2EDAG，可以生成一个基于实体的有向无环图，有效地完成文档级事件提取（DEE）任务，并将 DEE 任务重新定义为无触发词设计，以缓解文档级事件标注的负担。

    Apr, 2019

  • 针对少样本事件抽取探测和微调阅读理解模型

    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

  • 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