ACLApr, 2022

一种双流 AMR 增强模型用于文档级事件论元抽取

PDF
TL;DR本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR)，通过双流编码模块从不同角度对整个文档进行编码，利用局部和全局信息，并采用边界损失增强边缘信息，取得了跨句子事件论元抽取方面的巨大进展。
发现论文，激发创造
  • 基于 AMR 的文档级事件论元提取中的链路预测方法

    本文提出 Tailored AMR Graph (TAG) 的方法，并使用图神经网络作为链接预测模型来查找事件参数，实验结果表明，该简化方法在测试集 WikiEvents 和 RAMS 上分别优于当前最先进模型 3.63pt 和 2.33pt F1，且降低了 56％的推断时间。

    May, 2023

  • 提问和回答以提取事件论元结构

    本文提出了一种问答方法来提取文档级别的事件 - 论证结构，使用手动定义的模板和生成型 Transformer 自动生成问题，并使用数据增强策略和迁移学习提高抽取结果的准确性，同时对最佳模型的错误进行详细分析。

    Apr, 2024

  • 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

  • 通过句子简化改进零样本事件提取

    本文提出一种通用方法，在 MRC 模型的指导下执行无监督的句子简化，以改善 MRC-based 事件提取的性能，并在 ICEWS 地缘政治事件提取数据集上进行评估，特别关注 'Actor' 和 'Target' 参数角色，结果显示上下文简化可以提高演员提取 5% 以上和目标提取 10% 以上的性能。

    Apr, 2022

  • 文档级论证抽取的动态全局内存

    本文采用新型全局神经生成框架，构建文档存储器记录上下文事件信息，并利用它来隐式和显式地协助后续事件的参数解码，以解决从新闻文章中提取事件信息的挑战性问题，并且相比于之前的方法表现更出色并且对具有限制解码设计的对抗性注释样例更加稳健。

    Sep, 2022

  • 事件论元抽取的资源增强神经模型

    该研究提出了利用语法引导 transformer 的长距离依存关系，来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上，该方法取得了新的最高性能。

    Oct, 2020

  • 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

  • 利用语境线索和角色相关性增强文档级事件论元抽取

    本文提出了一种 SCPRG（Span-trigger-based Contextual Pooling and latent Role Guidance）模型，它包含两个新颖有效的模块，用于解决文档级事件论证提取的问题，并在公共数据集上表现出优越的性能。

    Oct, 2023

  • 通过层次建模和逐对改进释放 LLMs 在事件论证提取中的潜力

    本研究提出了一种基于开源大型语言模型（LLMs）的层次化框架 ULTRA，用于在文档级别进行事件参数抽取，该方法相较于强监督模型和 ChatGPT，在精确定位事件参数范围、减轻位置偏见等方面表现优越，并且在精确匹配（EM）指标上提高了 9.8％的性能。

    Jan, 2024

  • Few-Shot Document-Level Event Argument Extraction

    本文研究如何在文档级别抽取跨句子传播的事件参数，提出了 FewDocAE 基准，介绍了在 Few-Shot 学习环境下采用先进的神经模型进行实验的基线结果。由于学习过程限制在非常少的例子上，这是一项具有挑战性的任务。希望该基准能够鼓励更多相关方面的研究。

    Sep, 2022