通过将自由文本与事件中心知识图关联,本研究提出了一个综合框架 EventGround,旨在解决上下文化叙事推理的问题,并通过基于图神经网络和大型语言模型的图推理模型,在取得了最新成果的同时提供可解释性证据。
Mar, 2024
本研究定义了事件关联,这是一种新的自然语言理解任务,尝试将文章中出现的事件与最相关的维基百科页面链接起来,并贡献了一份数据集用于此任务,同时对两个最新的实体链接模型进行重新训练和评估,并提出了一种用于此任务的竞争性系统 EVELINK。
Dec, 2021
本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法,用于增强句子中嵌套事件的抽取,其中每个句子首先通过联合建模的分层知识图地面化为一张句子图,并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中,对于所有事件和复杂事件分别实现了 1.41%和 3.19%的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。
Sep, 2020
本研究提出了一种新颖的、具有层级结构的半监督事件建模框架,结合序列潜变量模型和本体知识,通过一系列的结构化潜变量层对语义知识进行制导,成功提高事件建模的表现,并在两个数据集上的四种不同评估指标上均优于先前现有的最佳方法。
Dec, 2022
事件链接通过识别事件提及与知识库中相关的节点相连。该研究提出了一种关注事件参数的方法,以解决事件链接中的若干挑战,包括事件参数信息的识别和处理知识库外事件提及的问题。在两个测试数据集上进行的实验证明,该方法在处理知识库内外的情况下都取得了显著的改进,其中处理知识库外事件提及的效果提高了 22%。
通过使用事件分类法以及 BERT 中的分层注意模块,可以更准确地识别事故报告中的事件,并且该方法在细粒度预测准确性上有所提高,并且对于罕见事件的识别问题有益处。
提出了一种联合约束学习框架来对事件 - 事件关系进行建模,这种方法有效弥补了联合标记数据的缺失,并在时间关系提取和事件层级构建方面优于现有的方法,同时也可在外部语料库上诱导事件复合体的有效性。
Oct, 2020
本文提出了一种新颖的基于层次距离相关性的贝叶斯模型,可以将成对的事件提及之间的距离纳入生成式聚类过程中,进而实现更好的事件聚类和事件消解效果。经过对 ECB + 语料库的实验证明,我们的模型在文档内和跨文档事件消解方面均优于最先进的方法。
Apr, 2015
利用自然语言处理技术,结合知识图谱的构建和上下文关系,利用 Transformer 技术从文本中提取事实信息以构建全面的基于图的事件表示。
Mar, 2023
提出了 Event GDR,一种以事件为中心的生成式文档检索模型,通过将事件知识集成到任务中,解决了忽略文档内部内容相关性和标识符构建缺乏明确语义结构的两个挑战。通过多代理的交换 - 反射方法来进行事件知识提取,利用事件和关系对文档进行建模以保证全面性和内部内容相关性,将事件映射到明确的事件分类法构建标识符。实验证明,该方法在两个数据集上明显优于基线,并希望为未来的研究提供启示。
May, 2024