EMNLPNov, 2022

面向事件抽取的开放词汇论点角色预测

PDF
TL;DR本文旨在设计一种无监督框架 RolePred，通过预训练语言模型自动生成事件类型下的参数角色，从而优化事件抽取过程。此外，作者基于维基百科数据集构建了一个包含 142 个自定义参数角色语义信息的新的事件抽取数据集，并最终在该数据集上验证了 RolePred 框架的效果。
event extractionargument roleunsupervised learningpre-trained language modeldataset
发现论文，激发创造
  • 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

  • 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

  • 查询和提取：基于类型导向二进制解码的事件抽取优化

    本文提出了一种新的事件提取框架，该框架使用事件类型和参数角色作为自然语言查询，从输入文本中提取候选触发器和参数。通过查询中的丰富语义，我们的框架受益于注意机制，以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外，查询和提取公式允许我们的方法将来自各种本体的所有可用事件注释作为统一模型来利用。在 ACE 和 ERE 上的实验表明，本方法在每个数据集上均取得了最先进的性能，并在零 - shot 事件提取上显著优于现有方法。

    Oct, 2021

  • 带提示的全局约束的零样本事件论元分类

    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

  • 利用事件知识进行隐式论证预测

    通过简单的 cloze 任务训练神经模型，提高了隐式论证预测性能，该模型利用叙事连贯性和实体显著性进行预测。

    Feb, 2018

  • 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

  • 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

  • 基于 Token-Event-Role 结构的多通道文档级事件提取

    本文提出了一种新的基于令牌 - 事件 - 角色数据结构和多通道预测模块的文档级事件抽取框架，并证明了其在各项性能指标表现优异。

    Jun, 2023

  • 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

  • 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