ACLMay, 2022

事件和实体的跨文档指代消解的对比表示学习

PDF
TL;DR采用对比度表示学习方法的实体和事件共指解析技术，通过仅在推理时进行 n 个转换器计算的对比度学习技术，实现了对 ECB + 语料库关键指标的最先进结果和其他指标的竞争性。
entity and event coreference resolutioncontrastive representation learningnatural language understandingbinary classification problemtransformer computations
发现论文，激发创造
  • 重新审视跨文档实体和事件共指消解的联合建模

    本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

    Jun, 2019

  • 序列跨文档指代消解

    本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型，通过增量式将提及点组合成集群表征，并预测提及点与已构建的集群之间的链接，近似高阶模型，既成为实体和事件指代消解领域中具有竞争力的解决方案，也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。

    Apr, 2021

  • 基于 BERT 上下文表示的文档内事件指代消解

    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

  • 多模态跨文档事件共指消解的线性语义转移和混合模态集成

    提出了一种融合视觉和文本线性映射的多模态跨文档事件共指解析方法，通过对事件中心图像的集成，对核心指称进行融合模型、线性映射和集合方法进行处理，实现了对事件共指的跨模态线性映射，为核心指称解析领域提供了多模态信息的实用性和需要更多多模态资源的提示。

    Apr, 2024

  • 基于受控表示学习和聚类导向正则化的事件指代消解

    本文提出了一种基于监督表示学习的聚类框架来解决事件指代消解问题，采用了含有新颖 CORE 项的神经网络架构作为模型，该模型可以通过建立事件提及嵌入使聚类变得更易操作；在 ECB + 语料库上的测试中，我们的模型在文内和跨文档指代消解问题上均获得了比竞争模型更好的结果，实验结果鼓舞人心，提出了一种利用表示学习解决指代消解和聚类问题的新的普适性框架。

    May, 2018

  • 关注核心问题：将语篇连贯理论应用于跨文档指代

    通过使用基于潜在嵌入空间的实体 / 事件建模和只对难负例进行训练的分类器，以及在多个语料库上训练，对跨文档基准测试进行核心参考解决方案的分类效果进行了改进。

    Oct, 2021

  • 通过对比学习和可逆事件转换进行事件中心的问答

    本文提出了一种利用对比学习和可逆事件转换的新型 QA 模型 TranCLR，将语义向量转化为共同的事件嵌入空间，并利用标注的事件关系类型和事件感知问向量来微调转换矩阵，通过定性和定量的实验结果，在 ESTER 数据集上得到显著的改进，实现了将事件知识注入 QA 模型学习的可行性。

    Oct, 2022

  • 通过对比表示学习实现少样本关系分类的高效信息提取

    利用多个句子表示和对比学习的方法，从少样本关系分类中提取丰富的信息以区分实体对的关系。

    Mar, 2024

  • 协同事件理解：基于大型语言模型的跨文档事件共指消解的协同方法

    利用大型语言模型和小型语言模型协作的方法在跨文档事件共指解析中取得了最好的性能，并且在不同的数据集中都表现出了最先进的性能，强调了其在多样场景中的有效性。

    Jun, 2024

  • 利用对比框架学习动态离散实体状态生成连贯的叙述

    本文提出一种基于 Transformer 模型的对话生成算法，在动态更新实体状态以及句子实现方面做了扩展，并引入了对比学习框架来学习状态表示，实验表明其比现有基线算法在生成连贯且多样化的文本方面具有更好的表现。

    Aug, 2022