复杂事件的故事、事件中心的知识图谱、增量提示技术、概念验证的有效性和未来研究方向。

Apr, 2024

通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。

Mar, 2024

利用自然语言处理技术，结合知识图谱的构建和上下文关系，利用 Transformer 技术从文本中提取事实信息以构建全面的基于图的事件表示。

Mar, 2023

本综述文章聚焦于从事件中心的角度提取新闻叙事，包括合成、组织、评估方法等方面，总结了 900 多篇相关文章中的 54 篇研究，分析了近年来的趋势和未来的挑战和潜在研究方向。

Feb, 2023

本文提出一种使用 Wikidata 知识库的方法来产生新闻文章的语义注释，并描述了一种语义搜索引擎，支持基于关键词的搜索和结构化数据搜索。

Apr, 2019

本篇研究介绍了一个多语言的以事件为中心的知识图谱 EventKG，其中包括超过 690,000 个当代和历史事件以及超过 2.3 百万的时间关系，该知识图谱填补了现有知识库在事件和时间关系上的不足。

Apr, 2018

本文介绍了一个事件中心的时间知识图 EventKG，包含超过 690,000 个事件和超过 2.3 million 的时间关系，并描述了如何使用该知识图生成人物传记时间线。

May, 2019

本研究提出了多模态事件关系的新任务，并开发了一个大规模数据集和一种基于外部知识库的弱监督多模态方法，为人工智能系统实现媒体理解和跨媒体事件关系建立提供了支持。

Jun, 2022

本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。

Aug, 2017

研究了叙述文本的事件信息状态和新事件的自动识别，提出了一种新的挑战性任务，定义事件为主语、谓语和宾语三元组，并用人类注释者对其中的新事件进行了注释和验证，并发布了相应的注释数据集和机器学习基线模型。

Feb, 2023