MEE:一份新颖的多语言事件提取数据集
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
通过引入统一的模板填充模型,我们的方法可以连接文本和视觉模态,并通过文本提示实现跨本体转移和事件特定语义的整合。在 M2E2 基准上的实验证明了我们方法的有效性,我们的系统在文本 EAE 上超过当前的最佳方法 7% F1,且在多媒体 EAE 方面表现普遍更优秀。
Jun, 2024
本文提供了一个大规模句子级别数据集,对开放式事件抽取进行基准测试,其中包含来自中国网页的 34000 多个新闻标题,为当前事件抽取问题上的高级研究提供了重要的依据。
Nov, 2022
本论文旨在检查事件提取(EE)评估的可靠性,并确定三个主要问题:数据预处理差异,输出空间差异和缺乏管道评估。通过综合元分析和实证实验,我们展示了这些问题的显著影响,并提出了一系列解决方案,包括指定数据预处理、标准化输出,提供管道评估结果。为了帮助实施这些解决方案,本论文还开发了一个一致的评估框架 OMNIEVENT。
Jun, 2023
提取军事文本中的结构化事件知识,包括事件触发器和相应的参数,对于许多应用非常重要,如情报分析和决策辅助。本研究提出了 CMNEE,一个大规模的、以文件级别为单位的开源中国军事新闻事件提取数据集,包含 17,000 个文档和 29,223 个事件,这些事件均按照事先定义的军事领域模式进行手动注释,包括 8 种事件类型和 11 种参数角色类型。与其他领域数据集相比,对 CMNEE 的实验结果明显不理想,这表明军事领域的事件提取面临独特挑战,需要进一步的研究努力。可从此 https URL 获取我们的代码和数据。
Apr, 2024
本文讨论和解决事件提取评估中的挑战,并提出了 TextEE 作为一个标准化、公平和可重现的事件提取基准,包含了多个领域的标准化数据预处理脚本和数据集切分,重新评估了多个事件提取方法,并探索了大型语言模型在事件提取中的能力和未来挑战。
Nov, 2023
本研究提出了一种名为 CasEE 的联合学习框架,用于解决事件提取过程中存在的事件重叠问题,它可以有效地提取具有不同角色的多种类型的事件,同时在 FewFC 数据集上得到了显著的提升。
Jul, 2021
本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架,采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息,实现了同时提取多个事件触发器和参数,结果显示该框架与现有方法竞争性强。
Sep, 2018
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
提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation),该模型能够同时从文档中提取所有事件的论证,并能够在四个公共数据集上达到最新的最佳性能,并显著节省推理时间。
May, 2024