DEGAP 提出了解决事件论元提取中的挑战的方法，通过引入对不同事件实例和模板学习信息的双重前缀以及基于目标事件引导前缀的自适应门控机制，该方法在四个数据集上达到了最新的最优性能。

May, 2024

本文提出了一种双向迭代 prompt-tuning 方法用于事件论元提取，将该任务视为填空式任务以充分利用实体信息和预训练语言模型（PLMs），通过引入上下文实体的论据角色来探索事件论证交互，并利用角色标签语义知识构建语义化言化器并为 EAE 任务设计三种模板，在 ACE 2005 英文数据集上进行有效性实验。

Oct, 2022

事件抽取任务旨在识别和分类事件，并根据事件模式找到其参与者。我们提出了一种基于提示的图模型用于自由事件抽取，该模型使用基于提示的方法获取候选触发器和参数，并构建异构事件图来编码事件内部和事件间的结构。实验结果表明，我们的方法在预定义事件模式下或无预定义事件模式下都能取得出色的性能，并且自动检测到的事件模式质量高。

Mar, 2024

本文提出字首调整 (prefix-tuning)，来解决专用模型使用全量预训练语言模型的空间问题，自动学习小、定制化的向量。通过应用于自然语言生成和文本总结，仅使用 0.1% 的参数即能达到很好的性能。

Jan, 2021

该论文提出了一种零样本事件抽取方法，通过使用两个转换器模型将事件提及及其定义投射到相同的嵌入空间，通过对比学习来最小化它们的嵌入距离以实现定义语义建模，并在 MAVEN 数据集上进行了实验，表现优于之前的零样本和有样本监督方法。

Nov, 2022

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

我们介绍了一种从语音信号中提取事件的新方法 ——Speech Event Extraction (SpeechEE)。我们提出了一种序列到结构生成范例，可以在端到端的方式上从语音信号中生成事件，并利用语音识别转录作为上下文线索的生成方法。实验结果显示，我们的方法在所有数据集上都取得了显著的改进，最大 F1 增益达到了 10.7%。

Jan, 2024

本研究提出了一种快速轻量级的模型 PTPCG，通过修剪完整图及自动选出的伪触发器进行非自回归解码，实现文档级事件抽取的高效率，取得了比之前系统更具竞争力的结果。

Dec, 2021

本文提出了基于前缀微调（prefix tuning）的方法，使用一组可训练的连续前缀提示和离散提示来辅助模型生成，显著提高了使用 GPT-2 生成的 CNN/Daily Mail 和 XSum 摘要的事实保留。此方法在知识增强的文档摘要中表现出了其有效性，并显示了在其他自然语言处理任务中的巨大潜力。

Jan, 2023

本文提出了一种新的事件提取框架，该框架使用事件类型和参数角色作为自然语言查询，从输入文本中提取候选触发器和参数。通过查询中的丰富语义，我们的框架受益于注意机制，以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外，查询和提取公式允许我们的方法将来自各种本体的所有可用事件注释作为统一模型来利用。在 ACE 和 ERE 上的实验表明，本方法在每个数据集上均取得了最先进的性能，并在零 - shot 事件提取上显著优于现有方法。

Oct, 2021