Feb, 2023

基于贝叶斯翻译模型的事件时间关系提取

PDF
TL;DR本研究通过使用 Bayesian-Trans 的贝叶斯学习方法，建立了一个以潜在变量为中心的模型来对事件之间的时间关系进行建模，具有更强的对预测不确定性的编码和表达的能力，并且在事件之间的时间关系抽取上表现出更好的性能。
temporal relationsbayesian learninguncertainty quantificationtranslational functionsevent extraction
发现论文，激发创造
  • 基于图形深度双仿射注意力模型的时间关系提取

    我们提出了一种基于深度双向注意力的新型时间信息提取模型，直接执行关系提取任务，利用多层感知机进行弧预测和关系标签预测，充分利用时间关系的双向特性，实现了最新技术水平的时间关系提取性能。

    Jan, 2022

  • 提高事件时间关系提取的准确性：抽取还是猜测？

    本文提出了两方面的方法以提高 TempRel 的准确性，即进行反事实分析以减轻训练偏见的影响和提供不确定性估计并在文本中描述关系。在 MATRES，MATRES-DS 和 TDDiscourse 上的实验分析表明，我们的模型相对于 SOTA 方法更具有忠诚度，特别是在分布转移下。

    Oct, 2022

  • 细粒度时间关系提取

    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

  • 领域知识增强的结构化神经网络，用于端到端事件时间关系提取

    本文提出了一种基于概率领域知识构建分布式约束的框架，并且通过 Lagrangian Relaxation 解决约束的推理问题，用于端到端的事件时间关系提取任务，实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。

    Sep, 2020

  • 无监督学习事件之间的时间关系

    本文介绍了两种旨在实现无人监督的时间关系提取方法，第一种基于弱监督机器学习方法和互联文献数据集，第二种是基于期望最大化算法和不同的技术手段，我们的实验结果表明，所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系，并实现了比以往更高的准确性。

    Jan, 2014

  • 提取事件之间的时间和因果关系

    本文提出一个集成时间和因果关系提取的框架，在该框架中，通过利用因果关系中事件先行的假设，将两个提取组件整合成一个系统，使用词嵌入和训练数据扩展等方法来改善关系提取系统，并介绍了将时间信息处理应用于其他语言的适应性尝试。

    Apr, 2016

  • 一种结构化学习方法用于时间关系提取

    本文讨论识别事件之间时间关系的问题，提出了一种结构化学习方法，以解决在学习识别这些关系时必须考虑依赖关系的挑战。同时，该方法还提出了一个新的处理缺失关系问题的角度，并在两个基准数据集上取得了显著的改进。

    Jun, 2019

  • 基于检索增强的 LLMs 的事件时间关系抽取

    利用大型语言模型从相关知识中检索来增强提示模板和语言生成器的新型检索增强事件时间关系抽取方法，通过生成各种创意来有效提高事件时间关系抽取任务的性能。

    Mar, 2024

  • 一种改进的神经网络基线用于时间关系提取

    本研究提出了一种新的神经系统，通过采用语境化单词嵌入，一个时间常识知识库的连体编码器和整数线性规划的全局推理，在 MATRES 数据集上进行训练，取得了一个基准数据集上绝对精度提高约 10％（25％的误差降低）的结果。我们认为，这种新方法可以为未来研究提供一个强大的基准线。

    Sep, 2019

  • 远程监督在时态关系抽取中的有效应用

    本研究提出了一种自动收集时间关系远程监督例子的方法，通过掩盖文本中明确的时间提示信号，训练出的模型能够学习到其他信号，实验表明预训练的 Transformer 模型能够通过这些弱标注的例子，在零样本和少样本情况下转移学习到具有人工注释的基准，并且遮罩方案对于改善泛化能力很重要。

    Oct, 2020