EMNLPSep, 2021

将深度事件级别和脚本级别信息集成用于脚本事件预测

PDF
TL;DR本文提出了一个基于 Transformer 模型的 MCPredictor，将深度的事件级别信息和剧本级别信息整合起来，实现对剧本事件的预测，实验结果在广泛使用的《纽约时报》语料库上证明了所提出的模型的有效性和优越性。
发现论文，激发创造
  • 脚本事件预测的 Rich Event 建模

    本文提出了一种基于事件的编码框架（REP）来预测脚本事件，该框架通过提取具有丰富事件描述的信息，包括动词的意义，额外的语义角色和参与者类型，并使用基于 Transformer 的事件编码器灵活地处理任意数量的参数。通过在广泛使用的 Gigaword 语料库上进行的实验结果表明，该框架是有效的。

    Dec, 2022

  • 对比微调生成式脚本事件预测方法

    本文提出了一种基于事件中心预训练的生成式方法，其使用预先训练的语言模型 Fine-Tune 并通过对序列可能性的预测进行预测，从而软建模事件之间的关联。

    Dec, 2022

  • 从预训练模型中探索脚本知识

    本文探讨了预先训练的语言模型在脚本知识分析方面的能力，从三个方面进行了探测任务：包括子事件选择、开始子事件选择和时间排序，并通过对 BERT 模型在脚本识别和各项探测任务表现的分析，结论是 BERT 模型可以很好地捕捉子事件之间的时序知识，但无法很好地编码包含或开始子事件知识。

    Apr, 2022

  • 构建叙事事件演化图用于剧本事件预测

    本文利用新闻语料库中的叙事事件链构建出叙事事件进化图去更好地利用事件网络信息进行剧本事件预测，并采用规模缩小的图神经网络进行事件交互建模和更好的事件表示学习，实验结果表明我们的模型在标准的多项选择故事勾画评估中显著优于现有的基准方法。

    May, 2018

  • 将剧本事件与叙述文本对齐

    本文介绍了如何利用丰富的语言表示以及时间排序的信息，将叙述文本中的事件提及映射到脚本事件类型，结果表明该复杂任务确实可行。

    Oct, 2017

  • 事件预测的序列到序列学习

    本文提出了一种使用双向多层递归神经网络进行序列到序列学习的方法，以预测文本中前一句的事件描述。我们的方法在来自 WikiHow 和 DeScript 两个数据集中的 BLEU 得分方面显着优于先前的研究。由于 BLEU 得分不易解释为事件预测的度量标准，因此我们结合第二个评估，利用事件的黄金释义集的丰富语言注释来补充我们的研究。

    Sep, 2017

  • 基于张量组合的事件表示

    本文提出了基于张量的组合方法，以构建更细致的事件表示方法，从而有效地解决了建模类似脚本事件序列的表示问题，并形成了更好的模式生成方法。

    Nov, 2017

  • 基于图增强的 BERT 模型用于事件预测

    本研究提出使用 BERT 模型自动构建事件图来预测事件之间的关联，从而提高事件预测的准确性，实验结果表明本方法能够超过现有的基准方法。

    May, 2022

  • ProScript：基于预训练语言模型的部分排序脚本生成

    本论文通过使用神经语言模型，演示了一种新的方法来生成高质量的标准脚本，同时定义了两个互补的任务，即边缘预测和脚本生成，这一方法可以克服以前脚本收集困难的问题。

    Apr, 2021

  • Prompt2Gaussia: 脚本事件预测的不确定性提示学习

    通过将公共预训练语言模型作为知识库，并通过提示学习自动挖掘与脚本相关的知识，本文提出了一种考虑到了不确定性的新型提示学习方法，用于脚本事件预测，并在标准基准和大规模数据集上进行了验证，结果表明该方法优于传统基线模型分别 1.46% 和 1.05%。

    Aug, 2023