基于事件的新闻叙事提取调查
研究了叙述文本的事件信息状态和新事件的自动识别,提出了一种新的挑战性任务,定义事件为主语、谓语和宾语三元组,并用人类注释者对其中的新事件进行了注释和验证,并发布了相应的注释数据集和机器学习基线模型。
Feb, 2023
本文提出了一种新颖而轻量级的事件中心知识图谱结构,允许查询包括视角依赖和叙事方面,并证明了主观归属的有效结合,展示了为叙事查询处理专门定制的索引的好处。
May, 2022
本研究介绍了一种名为 NEAT 的新型 NLP 任务,针对新闻等信息文本,基于 Labov 和 Waletzky 的叙事理论设计了一种新的多标签叙事注释方案,标注了从多种类别域收集的 46 篇新闻文章中的 2,209 句子,并训练了多个监督模型进行不同设置的分类,成功地识别了不同的叙事元素,并达到了高达 0.77 的 F1 分数,表明该研究具有很好的全面性及对域类别的鲁棒性。
Oct, 2022
探索在自动化故事生成方面的事件表示,技术预处理为事件序列,并将问题分解为连续事件与事件的自然语言句子生成,比较不同事件表示对事件的继承和文本生成的影响。
Jun, 2017
通过新闻数据,探索使用特定故事提取和表示方法(故事地图)捕捉其框架信息的能力,结果表明,虽然该算法捕捉了框架的分布,但在不同开始和结束事件中实现一致的框架存在挑战,同时强调了故事地图揭示新闻故事中错综复杂的框架动态的潜力,但直接利用框架信息进行计算故事提取仍然是一个未解决的挑战。
May, 2024
本文提出了一种从自然语言文本中提取事件链的方法,该方法可以过滤非显著事件和支持性句子,并在两个任务中证明了其有效性:叙述预测和基于事件的时间问答。
Sep, 2021
本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件,通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。
Aug, 2017
本研究提出了一种系统的叙述性发现框架,通过改变点检测、语义角色标注(SRL)和叙事片段的自动聚合来解决大规模文本下叙述性的提取,并在两个 Twitter 语料库中评估了我们的模型,结果表明我们的方法可以恢复相应于重大事件的主要叙述转变。
Jul, 2023