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

通过利用大型语言模型，将事件图谱识别为一种常识性知识形式，并提出一种增量提示和验证方法，可以直接处理事件之间的层次关系和时间关系。相较于其他方法，可以提高 F1 值。

Jul, 2023

通过引入嵌入和舍入技术及自定义基于边缘的损失函数，将离散事件图形转换为可学习的潜在表示，并提出去噪训练过程来维持模型鲁棒性，我们提出了一种新颖的扩散事件图模型（DEGM），该模型能保证在模式生成过程中逐步优化的潜在表示中进行错误修正，实验结果表明 DEGM 优于其他最先进的基线模型。

May, 2023

本研究提出使用 BERT 模型自动构建事件图来预测事件之间的关联，从而提高事件预测的准确性，实验结果表明本方法能够超过现有的基准方法。

May, 2022

本研究使用大型语言模型通过自然语言来起草事件模式，之后通过人工技术进行进一步的修订并将事件知识萃取到模式中。通过实验证明，大型语言模型在两个数据集中取得了适当的关键事件回调，并且我们的方法为更轻松地从大型语言模型中提取事件知识提供了可能性。

May, 2023

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

本文提出了一个事件元结构来表征社交事件的语义相关性并构建了一个基于事件的异构信息网络（HIN），该网络合并了外部知识库中的信息，并提出了一种新的基于 KIES 的 PP-GCN 模型，用于对社交事件进行分类。实验结果表明，该方法在社交事件分类方面优于其他替代方法。

Jun, 2019

提出了一种自适应架构的知识图谱构建方法，可以在动态变化的架构图中提取实体、关系、事件，并通过基准测试和实验结果证明其有效性。

May, 2023

文章介绍了一种基于模式约束的多级对比学习方法 (SMiLE)。实验结果表明该方法能有效地进行知识图谱中的链接预测，并比现有技术取得更好的效果。

Oct, 2022

本篇文章描述了如何利用大型语言模型生成源文件，从而预测和构建描述感兴趣事件的模式，为任何主题生成任何模式，同时展示了这种方法在信息提取和模式推断方面的有效性和高效性。

Oct, 2022