该研究提出了利用语法引导 transformer 的长距离依存关系，来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上，该方法取得了新的最高性能。

Oct, 2020

本文主要介绍了通过利用事件共现特性可以提高事件提取以及事件参数提取质量，提出了一种基于表格生成的非自回归框架 TabEAE，并在 4 个数据集上进行了 3 种不同的训练推理方案实验，结果表明该方法在 4 个数据集上均达到了最优的性能表现。

Jun, 2023

本文研究如何在文档级别抽取跨句子传播的事件参数，提出了 FewDocAE 基准，介绍了在 Few-Shot 学习环境下采用先进的神经模型进行实验的基线结果。由于学习过程限制在非常少的例子上，这是一项具有挑战性的任务。希望该基准能够鼓励更多相关方面的研究。

Sep, 2022

基于文档的事件论证提取（EAE）需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架，通过计算每个事件的难度，并按照简单到复杂的顺序进行提取，以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4％，这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。

Oct, 2023

MAVEN-Arg 是一个全方位支持事件理解的数据集，它覆盖了事件检测、事件参数提取和事件关系提取，并提供了全面的架构、大规模数据和详尽的标注，对于细调的事件参数提取模型和大型语言模型均具有挑战，同时还展示了潜在应用之一，即未来事件预测。

Nov, 2023

本论文旨在检查事件提取（EE）评估的可靠性，并确定三个主要问题：数据预处理差异，输出空间差异和缺乏管道评估。通过综合元分析和实证实验，我们展示了这些问题的显著影响，并提出了一系列解决方案，包括指定数据预处理、标准化输出，提供管道评估结果。为了帮助实施这些解决方案，本论文还开发了一个一致的评估框架 OMNIEVENT。

Jun, 2023

本研究针对现有文档级事件参与者角色提取模型无法在跨事件生成具有一致性的结果的问题，提出了基于事件关系的一致性约束机制，并介绍了一种集成上下文信息的事件感知 Argument Extraction 模型（EA^2E）来提升模型的一致性，WIKIEVENTS 和 ACE2005 数据集上的实验结果显示 EA^2E 模型比基准模型表现更加出色。

May, 2022

本文介绍利用多语言预训练生成式语言模型进行零 - shot 的跨语言事件论元提取的研究。通过将 EAE 视为语言生成任务，论文提出的方法能够有效编码事件结构并捕获论元之间的依赖关系，提出了语言无关的模板以表示事件论元结构，从而适用于任何语言，最终在源语言训练模型，并直接应用于目标语言以实现事件论元提取。实验表明，所提出的模型在零 - shot 跨语言 EAE 方面优于当前最先进的模型，论文对它的优势和现有限制进行了全面的研究和误差分析。

Mar, 2022

本文提出了一种基于图变换网络（GTNs）利用句子的句法和语义结构来学习更有效的句子结构的新模型，并引入了基于信息瓶颈的新归纳偏差来提高 EAE 模型的泛化性能，实验结果表明该模型在标准数据集上具有最先进的 EAE 性能。

Oct, 2020

本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

Apr, 2021