基于图增强的 BERT 模型用于事件预测
本文利用新闻语料库中的叙事事件链构建出叙事事件进化图去更好地利用事件网络信息进行剧本事件预测,并采用规模缩小的图神经网络进行事件交互建模和更好的事件表示学习,实验结果表明我们的模型在标准的多项选择故事勾画评估中显著优于现有的基准方法。
May, 2018
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
本文提出了一种基于概率领域知识构建分布式约束的框架,并且通过 Lagrangian Relaxation 解决约束的推理问题,用于端到端的事件时间关系提取任务,实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。
Sep, 2020
该研究基于 contextualized language representations 和 pretrained BERT model 开发了一种新的 event coreference 任务模型,通过训练神经网络分类器和简单的聚类算法,取得了 state-of-the-art 的实验结果。
Feb, 2021
提出了一个 BART-based 条件生成模型,可以同时处理事件之间的时间排序和事件插入预测。使用延迟自编码器进行训练并证明了在不使用显式标签的情况下,该模型优于 BERT-based 方法和指针网络,并且在事件的时间上更优于 GPT-2 completion 模型。
Dec, 2020
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
本文研究了含有时间变量的知识图谱,通过训练一个使用知识图谱背景信息和最近事件信息的事件预测模型,预测未来事件并预测知识图谱的变化,从而得到了知识图谱的演化模型,该方法在医疗应用、推荐引擎和传感器网络应用中表现良好。
Dec, 2015
研究介绍了一种基于图的时间复杂事件模式表示方法、事件预测模型及语料库,该模型可以高效地构建和评价图形式的事件模式,并且比线性表示方法更加优越,具备更高的预测能力。
Apr, 2021
本篇论文探讨了使用句子语境与事件信息以及利用掩码事件语境和领域内外数据分布来识别自然语言文本中事件之间的因果关系,并证明该方法在三个不同的数据集上均取得了最新技术的表现,可用于从非结构化文本中提取因果关系图或建立事件链。
Dec, 2020
本文提出了一种使用双向多层递归神经网络进行序列到序列学习的方法,以预测文本中前一句的事件描述。我们的方法在来自 WikiHow 和 DeScript 两个数据集中的 BLEU 得分方面显着优于先前的研究。由于 BLEU 得分不易解释为事件预测的度量标准,因此我们结合第二个评估,利用事件的黄金释义集的丰富语言注释来补充我们的研究。
Sep, 2017