ACLSep, 2022

文档级论证抽取的动态全局内存

PDF
TL;DR本文采用新型全局神经生成框架，构建文档存储器记录上下文事件信息，并利用它来隐式和显式地协助后续事件的参数解码，以解决从新闻文章中提取事件信息的挑战性问题，并且相比于之前的方法表现更出色并且对具有限制解码设计的对抗性注释样例更加稳健。
document-levelevent argument extractionglobal neural generation-based frameworkcontextual event informationconstrained decoding design
发现论文，激发创造
  • 条件生成实现的文档级事件论元抽取

    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

  • 从简单到复杂：一个逐步进行的框架，用于文档层面的信息论证提取

    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

  • 超越单事件提取：迈向高效的文档级多事件论证提取

    提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation)，该模型能够同时从文档中提取所有事件的论证，并能够在四个公共数据集上达到最新的最佳性能，并显著节省推理时间。

    May, 2024

  • 高效端到端跨事件依赖的文档级事件抽取

    本文提出了一种采用深层价值网络（Deep Value Networks，DVN）的端到端模型，以有效捕获文档级事件提取中的跨事件依赖关系，并在 ACE05 数据集上获得与基于条件随机场（CRF）模型可比的性能，同时具有更高的计算效率。

    Oct, 2020

  • 使用多粒度上下文编码的文档级事件角色填充物提取

    本文研究了文档级事件抽取中跨句子事件命名的问题，并提出了一种多粒度阅读器，用于动态汇集不同粒度的神经表示学习的信息。通过在 MUC-4 数据集上进行实验，表明本文提出的最佳系统的表现显著优于先前工作，并对上下文长度和神经模型性能之间的关系进行了分析。

    May, 2020

  • EventGraph：事件提取作为语义图解析

    本文介绍了 EventGraph，一种将事件编码为图形的联合框架，通过将触发事件和参数表示为语义图形中的节点，以此来解决事件提取的问题，并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果，并且在参数提取方面有了显著的改善。

    Oct, 2022

  • 提问和回答以提取事件论元结构

    本文提出了一种问答方法来提取文档级别的事件 - 论证结构，使用手动定义的模板和生成型 Transformer 自动生成问题，并使用数据增强策略和迁移学习提高抽取结果的准确性，同时对最佳模型的错误进行详细分析。

    Apr, 2024

  • 一种双流 AMR 增强模型用于文档级事件论元抽取

    本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR)，通过双流编码模块从不同角度对整个文档进行编码，利用局部和全局信息，并采用边界损失增强边缘信息，取得了跨句子事件论元抽取方面的巨大进展。

    Apr, 2022

  • Few-Shot Document-Level Event Argument Extraction

    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

  • 基于注意力图信息聚合的联合多事件抽取

    本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息，实现了同时提取多个事件触发器和参数，结果显示该框架与现有方法竞争性强。

    Sep, 2018