EMNLPDec, 2022

POQue：针对个体的结果问题询问，以更深入地理解复杂事件

PDF
TL;DR通过预先识别参与者，众包工人能够在语义理解的多个方面中探索并开发模型，从而收集高质量的注释数据集。
complex event understandingparticipant identificationannotated datasetsemantic understandinglanguage models
发现论文，激发创造
  • 通过简单的实体关注问题对复杂事件场景进行建模

    本文提出了一种基于问题引导的生成框架，用于模拟在复杂场景下的事件序列。此框架包含三个问题：参与者做了什么、对参与者发生了什么、以及其他事件。通过先前生成的事件作为上下文信息，将下一个事件作为以上三个问题的答案之一生成，从而探索复杂场景中的事件序列。该框架可以由用户输入参与者和问题，从而实现可控探索。实验结果表明，与标准事件语言模型相比，这种基于问题引导的模型能够更好地涵盖参与者、在领域内产生多样性事件、具有可比的建模事件序列的困惑度，以及更有效地控制交互式模式生成。

    Feb, 2023

  • 利用隐式逻辑限制在事件性知识图谱上进行复杂查询回答

    本文研究基于事件中心知识图谱的深度神经网络复杂查询方法，提出了复杂事件查询回答（CEQA）框架，利用定理证明器填补实体中心查询系统无法推理的逻辑不确定性，实现了在具有时间维度的事件中心知识图谱上的准确推理。

    May, 2023

  • 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

  • 常识知识图谱上的逻辑查询复杂推理

    通过从现有的常识知识图谱（CSKG）中采样多跳逻辑查询，并使用手工规则和大语言模型进行言语化，我们提出了 COM2（复杂常识）数据集，训练于此的语言模型在复杂推理能力方面取得了显著提升，从而在问题回答和生成常识推理的任务中表现出了增强的零样本性能，而无需昂贵的人工注释。

    Mar, 2024

  • 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

  • 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

  • 查询焦点场景构建

    本研究基于一类聚类的方法，通过针对新闻报道数据提取兼容事件的查询系统，根据添加事件的顺序逐步评估每个事件的兼容性，使用合成数据进行模型训练，在新的人为筛选数据集上实现了较高表现且优于现有基准，相信更强大的神经网络模型和更严格的训练设置将有助于促进后续研究。

    Sep, 2019

  • 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

  • PeaCoK：基于人物的常识知识的一致且引人入胜的叙述

    通过构建包含～100K 经人类验证的人物相关事实的大型 commonsense 知识图谱 PeaCoK，该研究工作对五个人物知识维度进行了总结并提炼，能够帮助下游系统生成更一致和引人入胜的叙事。

    May, 2023

  • 通过对比学习和可逆事件转换进行事件中心的问答

    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。

    Oct, 2022