本文提出了一种从自然语言文本中提取事件链的方法，该方法可以过滤非显著事件和支持性句子，并在两个任务中证明了其有效性：叙述预测和基于事件的时间问答。

Sep, 2021

本综述文章聚焦于从事件中心的角度提取新闻叙事，包括合成、组织、评估方法等方面，总结了 900 多篇相关文章中的 54 篇研究，分析了近年来的趋势和未来的挑战和潜在研究方向。

Feb, 2023

本文基于叙述文本中的双重时间特征，提出了一种新颖的方法来获取跨句子的丰富的事件先后顺序知识。通过探索叙述学原则和构建弱监督学习，从三个大型文本语料库中识别了 287k 个叙述段落，并从中提取了丰富的事件时间知识，这种事件知识对于改善时间关系分类任务很有用，并在叙述 Cloze 任务上优于最近几个神经网络模型。

May, 2018

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

本研究提出一种基于自动构建事件图和神经事件顾问的事件规划框架，以提高长文本生成的性能，实验结果表明，该框架不仅在事件序列生成方面表现优异，而且在故事生成的下游任务上的效果也十分显著。

Oct, 2022

现有的视频字幕基准和模型缺乏一致的因果 - 时间叙述表示，这是通过因果关系连接的事件序列，随着时间的推移由角色或代理驱动。为了解决这一问题，我们提出了 NarrativeBridge，它包括通过使用大型语言模型和少量提示生成了新颖的因果 - 时间叙述 (CTN) 字幕基准，明确地在视频描述中编码因果效应的时间关系，并通过自动评估来确保字幕的质量和相关性；以及专门的因果效应网络 (CEN) 架构，具有分别用于独立捕捉因果和效应动态的编码器，从而能够有效地学习和生成具有因果 - 时间叙述的字幕。广泛的实验表明，与第二好的模型 (GIT) 相比，CEN 在表达视频内容的因果和时间方面更准确：MSVD 和 MSR-VTT 数据集上的 CIDEr 分别为 17.88 和 17.44。所提出的框架能够理解和生成视频中存在的复杂的因果 - 时间叙述结构的细致文本描述，解决了视频字幕中的一个重要限制。有关项目详细信息，请访问此网址：https://URL

Jun, 2024

本文提出了一种名为 SemSIn 的模型，通过模拟事件中心结构和事件关联结构之间的语义关系，更准确地识别事件之间的因果关系，并在三个广泛使用的数据集上取得了显着的性能提升。

May, 2023

本研究提出了一种名为 CasEE 的联合学习框架，用于解决事件提取过程中存在的事件重叠问题，它可以有效地提取具有不同角色的多种类型的事件，同时在 FewFC 数据集上得到了显著的提升。

Jul, 2021

通过提出跨文档事件抽取（CDEE）任务，综合多个文档中的事件信息，本论文解决了传统文档级事件抽取的局限性，并构建了一个新的信息抽取研究线路。

Jun, 2024

本文提出了一种名为 PerNee 的新模型，它通过识别 Pivot Elements 来提取嵌套事件，以改进现有的 Nested Event Extraction 方法。PerNee 通过 prompt learning 将事件类型和参数角色的信息融入其中，以获得更好的触发器和参数表示，从而在 ACE2005-Nest、Genia11 和 Genia13 数据集上取得了最先进的性能。

Sep, 2023