Aug, 2022

通过错排阅读理解实现无需触发词的事件检测

PDF
TL;DR本文提出了一种基于 Derangement 机制的机器阅读理解框架的无触发词事件检测方法，通过与所有事件类型 token 进行拼接并设计简单而有效的事件混淆模块来解决多标记分类、线索不足和事件分布不均衡等挑战。实验结果表明，该模型表现出色，并在低资源事件检测方面具有强大的性能。
event detectionlow-resourcederangement mechanismmachine reading comprehensionmulti-label classification
发现论文，激发创造
  • 基于提示学习和机器阅读理解的无触发器句子级事件检测

    本文提出了一种无触发词的事件检测模型，通过阅读理解和提示学习将事件检测转化为两个塔模型，在 ACE2005 和 MAVEN 的两个事件检测基准数据集上，实验结果表明，与现有的基于触发词和无触发词的方法相比，所提出的方法可以取得竞争性的性能。

    Jun, 2023

  • OntoED: 基于本体嵌入的低资源事件检测

    通过本体嵌入建立相关知识联系的事件检测框架 OntoED，在解决数据稀缺和新未知事件类型方面比现有方法更卓越和稳健

    May, 2021

  • EDM3：事件检测作为多任务文本生成

    EDM3 是一种基于生成任务模型的事件检测方法，通过利用语言模型的现有知识，实现了针对任何分类模式的训练；该算法在多个事件检测数据集上验证表现优异，在多任务性能方面更是领先 8.4%。

    May, 2023

  • 自适应知识增强贝叶斯元学习用于小样本事件检测

    提出知识为基础的少样本事件检测方法来解决在实际应用中缺乏正确标记数据的问题，并引入自适应知识增强贝叶斯元学习方法来动态地调整事件类型的知识先验。实验结果表明，在相同的少样本条件下，该方法在至少 15 个绝对 F1 点上一致且显著地优于多个基准线。

    May, 2021

  • 具有异构图注意力网络的标签增强事件检测

    本文提出了一种使用标签增强的异构图注意力网络 (L-HGAT) 来解决中文事件检测中的单词触发器不匹配问题的方法。在该方法中，每个句子被转换成一个图，其中包含了单词和字符之间的交互作用，并使用异构图注意力网络来传播关系信息和丰富信息交互。此外，每个标签都被转换为基于触发器原型的嵌入。在两个基准数据集上进行的实验表明，该模型比其他基线方法取得了显着的改进。

    Dec, 2020

  • 针对少样本事件抽取探测和微调阅读理解模型

    本文提出了一个阅读理解框架，用于解决文本数据中的事件抽取问题，并在少量数据上进行优化，取得了零样本以及少样本情况下的优异表现，其次还在 ACE 2005 基准数据集上取得了最佳性能。

    Oct, 2020

  • MUSIED：多源异构非正式文本事件检测基准

    本研究基于用户评论、文本会话和电话会话等多种非正式、异构数据，提出了一个大规模的汉语事件检测数据集，并通过实验证明了非正式和异构数据的挑战性，为多源非正式事件检测提供了新的探索。

    Nov, 2022

  • 无监督的标签感知事件触发词和论元分类

    本文提出了一种无监督事件抽取流程，使用先进的预训练语言模型并匹配语义，有效将事件映射到预定义的事件类型上，最终表现出色，成功地将 83% 的触发器和 54% 的参数映射到了正确类型。

    Dec, 2020

  • 事件检测探索工具：一个交互式工具用于探索事件检测

    本论文提出了一个交互式易于使用的工具 ——ED Explorer，用于探索 Event Detection（ED）数据集和模型，帮助领域专家和非专家更好地理解 ED 任务并优化 MAVEN 数据集。

    Apr, 2022

  • MsPrompt：针对去偏少样本事件检测的多步提示学习

    本文提出了一个基于多步骤提示学习模型的真正的几乎零样本事件检测方法，旨在解决传统事件检测算法中存在的数据稀缺和上下文偏差问题，并通过对知识增强本体论的应用，以及 原型学习模块来提高事件分类和泛化性能。实验表明，与当前最好的基线模型相比，该方法在严格的低资源场景中提高了 11.43％的加权 F1 分数，并实现了卓越的去偏差性能。

    May, 2023