本研究提出了一种包含 4480 份维基百科文件、118732 次事件提及实例和 168 种事件类型的 MAVEN 数据集，用于缓解数据不足和低覆盖率等问题，实证分析了通用领域事件检测中的进一步研究方向，并表明现有的事件检测方法不能像小规模数据集中表现出的那样在 MAVEN 上表现出色，说明其在现实世界中仍然是具有挑战性的任务，需要进一步的研究和努力。

Apr, 2020

提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE，通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征，并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系，并使用多任务学习策略训练整个框架，实验证明 GraphERE 明显优于现有方法，进一步分析显示了图增强事件嵌入和共同提取策略的有效性。

Mar, 2024

MAVEN-Arg 是一个全方位支持事件理解的数据集，它覆盖了事件检测、事件参数提取和事件关系提取，并提供了全面的架构、大规模数据和详尽的标注，对于细调的事件参数提取模型和大型语言模型均具有挑战，同时还展示了潜在应用之一，即未来事件预测。

Nov, 2023

我们提出了一种关于事件关系抽取的聚类感知压缩方法 (TacoERE)，该方法通过聚类和压缩策略对文档进行建模，用于提高事件关系抽取的效果。实验结果表明 TacoERE 是一种有效的 ERE 方法。

May, 2024

本研究利用人工注释的 Event Dependency Relation 数据集（EDeR）来探究事件作为另一个事件的参数（必选或可选）的依赖关系，通过预测事件依赖关系，可以更准确地进行事件抽取和语义角色标注，并且能提高后续任务的效果。同时，将其分类成必选参数、可选参数或非参数也是一项更具挑战性的任务。

Apr, 2023

本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

Feb, 2019

本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。

May, 2023

本文通过获取每种事件关系的原型表示并提出了原型增强匹配（ProtoEM）框架，用于联合提取多种事件关系。实验结果表明，该框架可以有效地表示事件关系的原型，并在基准模型上取得了显著改进。

Sep, 2023

本文介绍了 CREER 数据集的设计和使用，该数据集注释了丰富的英语语法和语义属性，使用 Stanford CoreNLP Annotator 从维基百科明文中捕获语言结构，并遵循广泛使用的语言和语义注释，可以用于大多数自然语言处理任务以及数据集的扩展。这个大型监督式数据集可作为未来改进 NLP 任务性能的基础，并通过链接公开发布。

Apr, 2022

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