原油相关事件提取与处理:迁移学习方法
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
本文介绍了 CrudeOilNews 的数据收集过程、标注方法学和事件类型学,旨在为经济和金融文本挖掘提供贡献性资源,通过种子数据扩充和人类协商来拓展数据集,在机器学习目的方面,训练了基本的事件提取模型。
Apr, 2022
本研究提出了一种基于 CrudeBERT 模型的情感分析方法,通过在相关新闻标题的大型语料库中识别和分类影响原油市场供求的事件,从而提高了与原油期货市场相关的标题的情感分类,CrudeBERT 在原油领域中表现优于专有和开源解决方案。
May, 2023
本文提出了一种通过使用转移学习的方法,并结合深度神经网络和统计分类器的结合来进行信息提取,将该方法应用于日本政府工程竞标实际案例的文档处理中,证明了该模型能够提取具有详细信息精度的细粒度命名实体。
Mar, 2020
本研究提出了通过 open information extraction (OIE)系统所获取的主客体关系将触发器耦合在不同领域之间从而增强域迁移的性能,并在目标领域上使用 OIE 系统最后结合掩盖语言建模技术来降低负迁移。
May, 2023
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
提出一种通过引入自主训练数据的自训练事件抽取系统的方法,它利用了跨多个来源的新闻文章中同一事件实例的多个提及的出现。在这个集群中,如果我们的系统能从一些提及中进行高置信度的抽取,那么它可以通过添加其他提及来获取多样化的培训示例。该方法对 ACE2005 和 TAC-KBP 2015 数据集上的多个事件提取器显示出显着的性能改进。
Aug, 2018
该研究提出了两种机器学习方法,即随机森林和时间卷积网络,用于实时检测不良事件。结果表明,我们的方法能够有效分类事件类型并预测其出现的概率,解决了以前研究中发现的挑战,并提供了更有效的生产过程中的故障事件管理解决方案。
Oct, 2023
本文介绍了一种从核运营许可证事件报告中检测和提取因果关系的混合框架,贡献包括:(1)编制了一份包含 20,129 个文本样本用于因果关系分析的 LER 语料库,(2)开发了一个交互式工具用于标记因果关系对,(3)建立了一个基于深度学习的因果关系检测方法,和(4)开发了一种基于知识的因果关系提取方法。
Apr, 2024
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