EMNLPNov, 2022

利用上下文定义对齐的零样本事件抽取

PDF
TL;DR该论文提出了一种零样本事件抽取方法，通过使用两个转换器模型将事件提及及其定义投射到相同的嵌入空间，通过对比学习来最小化它们的嵌入距离以实现定义语义建模，并在 MAVEN 数据集上进行了实验，表现优于之前的零样本和有样本监督方法。
event extractionzero-shot learningtransformer modelscontrastive learningfew-shot learning
发现论文，激发创造
  • 改进零样本事件检测的事件定义

    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

  • 事件抽取的零样本迁移学习

    本文提出一种转移学习的神经架构，通过将事件提及和类型映射到共享语义空间中，实现事件提取，支持零样本学习，并在现有事件类型与新的事件类型上进行了实验，实现了与监督模型相当的效果。

    Jul, 2017

  • 基于上下文线索的语音事件提取

    我们介绍了一种从语音信号中提取事件的新方法 ——Speech Event Extraction (SpeechEE)。我们提出了一种序列到结构生成范例，可以在端到端的方式上从语音信号中生成事件，并利用语音识别转录作为上下文线索的生成方法。实验结果显示，我们的方法在所有数据集上都取得了显著的改进，最大 F1 增益达到了 10.7%。

    Jan, 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

  • OneEE：一种快速重叠和嵌套事件提取的一阶段框架

    OneEE 是一种简单而有效的标注方案和模型，将事件提取作为词词关系识别来表述，它在同时识别触发词或参数词之间的关系方面表现出色，具有很快的事件提取速度，并在 FewFC、Genia11 和 Genia13 三个基准测试上取得了最先进的结果。

    Sep, 2022

  • 零样本社交政治事件提取的 Monte Carlo 语言模型管道

    本研究提出了一种新的细粒度、多阶段的生成式问答方法，利用蒙特卡洛方法克服生成式输出的随机性，并将其应用于事件抽取和演员关系提取领域，同时在自动内容提取数据集上表现较强。

    May, 2023

  • 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

  • 基于文本推理的事件论元提取：多源学习实现零 - 和少样本

    本文通过使用预训练推理模型，将事件论元抽取等 NLP 任务转化为文本蕴涵任务，证明了文本蕴涵模型在复杂任务中同样有效，且可以大幅减少人工标注量和依赖于特定领域语料库的限制。使用多份蕴涵数据集来预训练模型是获得优异结果的关键。

    May, 2022

  • 结构语义匹配实现联合事件抽取

    本研究提出了一种基于深度学习的 NLP 模型，利用语义类型嵌入和动态结构编码器模块进行事件抽取和论证角色提取，用于信息抽取的关键任务之一的事件提取，并在 ACE2005 数据集上取得了显著的性能提升。

    Jun, 2023

  • 零样本事件检测的统一嵌入和度量学习

    本文提出一种基于视觉和文本模态下的事件检测与检索算法，该算法通过训练一个端到端的模型，使得文本和视觉的表示进入了一个联合空间，并且在该空间中，利用预定义的事件来表示新的事件，并实现了事件与相关视频之间的距离度量，该算法在 TRECVID Multimedia Event Detection 数据集上取得了明显的优越性能。

    May, 2017