ACLFeb, 2023

通过简单的实体关注问题对复杂事件场景进行建模

PDF
TL;DR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。
发现论文，激发创造
  • POQue：针对个体的结果问题询问，以更深入地理解复杂事件

    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。

    Dec, 2022

  • 事件提取作为问题生成和回答

    本文提出了 QGA-EE 模型，利用动态模板和问题生成技术有效处理事件提取任务中的多个参数、上下文信息和固定模板的问题，优于之前的单一任务模型，并在 ACE05 英语数据集上取得了最好的表现结果。

    Jul, 2023

  • 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

  • 提问和回答以提取事件论元结构

    本文提出了一种问答方法来提取文档级别的事件 - 论证结构，使用手动定义的模板和生成型 Transformer 自动生成问题，并使用数据增强策略和迁移学习提高抽取结果的准确性，同时对最佳模型的错误进行详细分析。

    Apr, 2024

  • 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

  • 生成文档级事件论点提取的非语境化和语境化问题

    本文提出了多种问题生成策略，用于文档级事件论证提取。这些策略不需要人工参与，生成的问题既有非上下文化的问题，也有基于感兴趣事件和文档的上下文化问题。实验结果表明，将非上下文和上下文问题相结合是有益的，特别是当事件触发器和论证出现在不同的句子中。我们的方法没有特定于语料库的组件，具体而言，问题生成策略可以在不同的语料库中进行转移。我们还对我们最佳模型最常见的错误进行了定性分析。

    Apr, 2024

  • 语言模型可通过少量示例引入推理，从而提高事件预测能力

    本文研究了大型语言模型在实际事件中实现推理的能力，设计了一个建模和预测框架，其中大型语言模型执行推断，以协助事件序列模型提高预测准确性，并通过在 Amazon Review 和 GDELT 两个具有挑战性的实际数据集上进行的广泛实验，展示了我们的框架的性能优势。

    May, 2023

  • 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

  • 使用语言模型起草事件模式

    本研究使用大型语言模型通过自然语言来起草事件模式，之后通过人工技术进行进一步的修订并将事件知识萃取到模式中。通过实验证明，大型语言模型在两个数据集中取得了适当的关键事件回调，并且我们的方法为更轻松地从大型语言模型中提取事件知识提供了可能性。

    May, 2023