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

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

本研究提出了一种利用大规模预训练语言模型进行知识收集的事件模式归纳新范式，即通过采用上下文生成式概念化、置信度感知式模式结构化和基于图的模式聚合的方式，设计了一种名为 ESHer 的事件模式收割机，实现高质量事件模式的自动归纳。实验结果表明，ESHer 在不同领域可以归纳出高质量和高覆盖率的事件模式。

May, 2023

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

本研究提出了一个数据集和模型 Torquestra，用于语义搜索和知识发现，有效挖掘具有相似因果意义组件的英文新闻文本。

Mar, 2023

使用 GPT-3 驅動的人機交互式 Schema induction 系統，能夠更輕鬆地在新領域中識別模式，並減少人工監管的負擔，從而生成更好的圖形表示。

Feb, 2023

通过研究零样本事件检测中的事件类型和定义，提出了使用多样化的事件类型和定义来提高模型遵循事件定义的方法，并构建了一个自动生成的多样化事件定义（DivED）数据集进行实证研究，结果显示，大量的事件类型和多样化的事件定义可以显著提升事件提取性能，同时在训练中引入事件本体信息和困难负样本可以进一步提高性能，基于这些发现，在 DivED 数据集上微调 LLaMA-2-7B 模型，在三个零样本事件检测基准上取得了超越 GPT-3.5 等最新大语言模型的性能。

Mar, 2024

本文提出了一种联合实体驱动模型来同时学习模板和插槽，实体的语义信息也被考虑进来。该模型利用图像分割中的标准化切割标准将人物分成更准确的模板群组和插槽群组，实验表明我们的模型相对于之前的工作获得了更高的结果。

Mar, 2016

该研究旨在通过零样本学习自动检测视频中的事件，使用预先训练的概念分类器并学习对应权重以提高模型效果，在多个数据集上进行的实验表明该方法优于传统方法。

Jan, 2016

本研究提出了一种用于完成事件图的方法，通过利用事件图的模式结构来预测要添加到已实例化的架构子图中的候选事件节点并达到了最先进的性能结果。

Jun, 2022