Apr, 2022

ERGO: 文档级事件因果关系识别的事件关系图转换器

PDF
TL;DR本文提出了一种新颖的 ERGO 框架，用于文档级事件因果关系识别，并通过构建事件关系图形式化 DECI 为一个节点分类问题，引入了边缘构建策略和自适应聚焦损失来处理由伪相关性引起的大量误报。通过广泛的实验和案例研究，本文表明 ERGO 比之前的 SOTA 方法显着提高，未来有值得深入研究的方向。
发现论文，激发创造
  • 用根据和结构的因果问答提升事件因果性鉴定

    提出了一种多任务学习框架，通过因果性问题回答和事件结构图，增强了文档级事件因果性识别，并通过生成理由和结构感知的因果性问答来解释具有因果关系的事件。

    Mar, 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

  • GraphERE: 基于图增强事件嵌入的多事件关系抽取

    提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE，通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征，并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系，并使用多任务学习策略训练整个框架，实验证明 GraphERE 明显优于现有方法，进一步分析显示了图增强事件嵌入和共同提取策略的有效性。

    Mar, 2024

  • TacoERE: 事件关系抽取的集群感知压缩

    我们提出了一种关于事件关系抽取的聚类感知压缩方法 (TacoERE)，该方法通过聚类和压缩策略对文档进行建模，用于提高事件关系抽取的效果。实验结果表明 TacoERE 是一种有效的 ERE 方法。

    May, 2024

  • 语义结构增强的事件因果关系识别

    本文提出了一种名为 SemSIn 的模型，通过模拟事件中心结构和事件关联结构之间的语义关系，更准确地识别事件之间的因果关系，并在三个广泛使用的数据集上取得了显着的性能提升。

    May, 2023

  • EDeR：探索事件之间依存关系的数据集

    本研究利用人工注释的 Event Dependency Relation 数据集（EDeR）来探究事件作为另一个事件的参数（必选或可选）的依赖关系，通过预测事件依赖关系，可以更准确地进行事件抽取和语义角色标注，并且能提高后续任务的效果。同时，将其分类成必选参数、可选参数或非参数也是一项更具挑战性的任务。

    Apr, 2023

  • ELG: 一个事件逻辑图

    本文提出了一种新型的知识库 - 事件逻辑图，ELG 将揭示真实事件的演化模式和发展逻辑，并对剧本事件预测任务具有有效性。

    Jul, 2019

  • DER-GCN: 多模态对话情感识别中的对话和事件关系感知图卷积神经网络

    提出了一种新颖的基于对话和事件关系感知的图卷积神经网络用于多模态情感识别，该方法通过建立加权多关系图来捕捉说话者之间的对话关系和事件关系，设计了多重信息变换器以捕捉不同关系之间的相关性，通过对比学习的损失优化策略增强了少数类特征的表示学习能力。实验证明，DER-GCN 模型在情感识别方面显著提高了平均准确率和 F1 值。

    Dec, 2023

  • 基于增强边缘的图卷积网络在带有句法关系的事件检测中的应用

    本文提出了一种新颖的结构 Edge-Enhanced Graph Convolution Networks（EE-GCN），它利用句法结构和类型依赖标签信息同时进行事件检测任务，充分挖掘了隐藏在依赖边缘中的线索，实验结果表明，在 ACE2005 数据集上取得了明显的改进。

    Feb, 2020

  • 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