基于语料库的开放领域事件类型归纳
本研究提出了一种基于类型抽象的联合训练框架，将实体 / 触发词表示和类型抽象表示作为两种视图，能够自动推断出新类型，并成功应用于多种关系提取和事件提取数据集。
Nov, 2022
提出一种扩展了事件类型的任务 - 开放域事件抽取的无监督模型，通过构建一个可扩展的隐变量神经模型，收集了大量的数据集并进行了手动注释，通过任务特定的评估指标进行了评估，与现有最先进的方法进行了比较，结果表明该模型比现有的事件模式归纳方法具有更好的性能。
Jun, 2019
本文提出了一种无监督事件抽取流程，使用先进的预训练语言模型并匹配语义，有效将事件映射到预定义的事件类型上，最终表现出色，成功地将 83% 的触发器和 54% 的参数映射到了正确类型。
Dec, 2020
本文提出了一种新的半监督事件类型归纳方法，使用掩蔽对比损失学习事件提及之间的相似性以及通过近似数据中的底层流形来解离已发现的群集，从而实现事件类型归纳和 FrameNet 帧的链接。
Feb, 2022
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
本文提出了一种新的事件提取框架，该框架使用事件类型和参数角色作为自然语言查询，从输入文本中提取候选触发器和参数。通过查询中的丰富语义，我们的框架受益于注意机制，以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外，查询和提取公式允许我们的方法将来自各种本体的所有可用事件注释作为统一模型来利用。在 ACE 和 ERE 上的实验表明，本方法在每个数据集上均取得了最先进的性能，并在零 - shot 事件提取上显著优于现有方法。
Oct, 2021
本文提出一种转移学习的神经架构，通过将事件提及和类型映射到共享语义空间中，实现事件提取，支持零样本学习，并在现有事件类型与新的事件类型上进行了实验，实现了与监督模型相当的效果。
Jul, 2017
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
本文提出了一种新的任务，中间级别的重要事件检测，旨在从新闻语料库中检测在特定时间 / 位置发生的关键事件，并聚焦于相同的主题。为了解决这些挑战，我们开发了一个无监督的重要事件检测框架 EvMine，它提取时间频繁的 peak 短语，通过从我们设计的 peak 短语图中检测社区将 peak 短语合并成事件相关的特征集，使用从事件相关特征集自动生成的伪标签训练分类器，并利用检索到的文档迭代检测到的关键事件。
Jun, 2022