通过比较不同形式的提示符来表示事件类型，并开发一种统一框架来结合特定于事件类型的提示符，用于监督、少量样本和零样本事件检测，实验结果表明，一种定义明确、全面的事件类型提示符可以显著提高事件检测的性能，特别是在注释数据匮乏 (少样本事件检测) 或不可用 (零样本事件检测) 的情况下。通过利用事件类型的语义特点，我们的统一框架相对于之前的最先进的基线提高了高达 24.3％的 F-score。

Apr, 2022

本文提出了 Prompt-based Text Entailment (PTE) 低资源命名实体识别技术，将命名实体识别作为文本蕴含任务，并使用 Pre-trained Language Models 和 entity type-specific prompts 来获得高性能。通过在 CoNLL03 数据集和 MIT Movie 及 Few-NERD 数据集上进行的实验，结果表明该方法 PTE 在低资源场景下的表现优于微调的对照组。

Nov, 2022

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

本文使用全局约束和提示来有效地处理事件参数分类，而无需任何标注和特定任务的训练，使用新的提示模板，可以轻松适应所有事件和参数类型，并且在多个数据集上实验证明了该方法的有效性。

Feb, 2023

本文提出了一种基于语料库的开放领域事件类型归纳方法，该方法使用聚类 <谓词意义，对象头> 对每种事件类型进行表示，并利用选择显著谓词和对象头、利用动词意义词典消歧谓词语义、联合嵌入和聚类 <谓词意义，对象头> 对事件类型进行潜在球面空间的建模。多项实验表明，该方法能够有效地发现具有重要意义和高质量的事件类型。

Sep, 2021

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

在本研究中，我们提出了 PromptCL，这是一种用于事件表示学习的新框架，能够有效地发挥预训练语言模型 (PLMs) 综合捕捉短事件文本语义的能力。PromptCL 利用了从提示学习中借鉴的 Prompt 模板，通过在对比学习中扩展输入文本，提供事件组成部分的结构概述，从而提高事件表示学习的效果。此外，我们提出了主谓宾 (SPO) 的词序和面向事件的掩码语言建模 (EventMLM) 来训练 PLMs 理解事件组成部分之间的关系。实验结果表明，PromptCL 在事件相关任务上优于最先进的基准方法，并且我们进行了彻底的分析，证明使用提示可以提高事件表示的泛化能力。

Apr, 2024

基于预训练语言模型的多任务提示学习框架（TemPrompt）结合了提示调整和对比学习来解决事件的演变以及任务请求的问题，实验结果表明在标准和少样本情况下，TemPrompt 在多个指标下优于其他基准模型，并通过案例研究验证了在众包场景中的有效性。

Jun, 2024

本文通过比较两种不同的提示策略，即基于名称的提示和基于本体的提示，揭示了本体提示方法在零样本事件论证提取中的优势，并提出了一种因果干预的去偏方法。实验表明，经过去偏处理后的基准模型不仅更为有效和鲁棒，而且在对抗攻击方面有显着的改进。

Oct, 2022

本文提出了一种双向迭代 prompt-tuning 方法用于事件论元提取，将该任务视为填空式任务以充分利用实体信息和预训练语言模型（PLMs），通过引入上下文实体的论据角色来探索事件论证交互，并利用角色标签语义知识构建语义化言化器并为 EAE 任务设计三种模板，在 ACE 2005 英文数据集上进行有效性实验。

Oct, 2022