EMNLPOct, 2022

通过对比学习和可逆事件转换进行事件中心的问答

PDF
TL;DR本文提出了一种利用对比学习和可逆事件转换的新型 QA 模型 TranCLR，将语义向量转化为共同的事件嵌入空间，并利用标注的事件关系类型和事件感知问向量来微调转换矩阵，通过定性和定量的实验结果，在 ESTER 数据集上得到显著的改进，实现了将事件知识注入 QA 模型学习的可行性。
发现论文，激发创造
  • 事件和实体的跨文档指代消解的对比表示学习

    采用对比度表示学习方法的实体和事件共指解析技术，通过仅在推理时进行 n 个转换器计算的对比度学习技术，实现了对 ECB + 语料库关键指标的最先进结果和其他指标的竞争性。

    May, 2022

  • ClarET: 面向事件生成和分类的相关性感知上下文到事件的预训练变形器

    本文提出了一种预训练的名为 ClarET 的通用事件感知上下文到事件转换器，以解决许多事件中心推理任务中上下文关联事件的生成问题。该方法具有很强的一般适用性和有效性。

    Mar, 2022

  • 在基于问答的事件提取中迈向更好的问题生成

    通过利用强化学习方法，我们提出了四个评估问题质量的标准，并在基于问题回答的事件提取中生成了流畅、具有概括性和上下文相关性的问题，从而为 QA 模型提供了明确的指导。在 ACE 和 RAMS 数据集上进行的广泛实验证实了我们方法的有效性，同时也展示了它在训练数据有限的情况下的鲁棒性。

    May, 2024

  • 事件知识的后验正则化融合在基于事件的问答中

    该论文提出了一种简单而有效的策略，通过后验正则化将从事件触发器注释中提取的事件知识纳入主流问答模型中，从而提高面向事件的问答模型的事件推理能力。

    May, 2023

  • 事件提取作为问题生成和回答

    本文提出了 QGA-EE 模型，利用动态模板和问题生成技术有效处理事件提取任务中的多个参数、上下文信息和固定模板的问题，优于之前的单一任务模型，并在 ACE05 英语数据集上取得了最好的表现结果。

    Jul, 2023

  • 事件级别视觉问答的跨模态因果关系推理

    本文提出了一种名为 CMCIR 的事件级别视觉问答框架，以实现稳健的因果感知视觉 - 语言问答，其利用因果干预方法发现视觉和语言两种模态的真实因果结构，并成功地在四个事件级别数据集上验证了其优越性。

    Jul, 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

  • ESTER：一个用于事件语义关系推理的机器阅读理解数据集

    通过自然语言查询，建立了 ESTER 数据集，针对五种最常见的事件语义关系，提供了超过 6,000 个问题和 10,100 个事件关系对，实验结果表明，当前的 SOTA 系统表现明显低于人类表现，并凸显我们的数据集作为一个具有挑战性的基准。

    Apr, 2021

  • 通过回答 (几乎) 自然问题进行事件提取

    将事件抽取视为问答任务，实现端到端的事件参数提取，相比现有方法有显著提升。同时，也能够在零样本学习情况下提取训练期间未见过的事件参数角色。

    Apr, 2020

  • Event-QA: 在知识图谱上进行以事件为中心的问答数据集

    本研究介绍了 Event-QA 数据集，该数据集专注于回答关于事件的问题，针对现有 QA 系统和数据集关注于实体问题的情况，提供了一种新的回答事件问题的方法。

    Apr, 2020