本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型，通过增量式将提及点组合成集群表征，并预测提及点与已构建的集群之间的链接，近似高阶模型，既成为实体和事件指代消解领域中具有竞争力的解决方案，也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。

Apr, 2021

本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

Jun, 2019

本论文提出一种利用外部常识知识的方法，增强文本中提取的事件表示的有效性，实验结果表明该方法在事件相关任务中表现良好，如事件相似度计算、脚本事件预测和股票市场预测等方面得到了显著优化。

Sep, 2019

研究探讨了一种新的常识推断任务，通过构建新的众包语料库并使用神经编码器 - 解码器模型，成功地分析先前未见过的事件并推断参与者的意图和反应，揭示了现代电影剧本中普遍存在的隐性性别不平等问题。

May, 2018

该研究基于 contextualized language representations 和 pretrained BERT model 开发了一种新的 event coreference 任务模型，通过训练神经网络分类器和简单的聚类算法，取得了 state-of-the-art 的实验结果。

Feb, 2021

研究提供了一份跨来源、语言和国家的事件共参考数据集，并分析了多语言语料库的表现和贡献，发现近一半文档中的事件提及与其他事件提及共现，这不可避免地导致了错误或部分事件信息，事件核共参考可以帮助解决这一问题并减少错误。

Mar, 2022

本文探讨了跨文档指代消解任务的交叉文档指代搜索模型，通过适应深挖掘检索模型作为基准线，并结合强大的指代打分方案，来寻找在大型文档集合中与给定事件相关的所有指代消解，通过相应的数据集来支持这项任务的研究。

Oct, 2022

该研究提出了 COMET-M（Multi-Event），一个以事件为中心的常识模型，能够针对复杂句子中的目标事件生成常识推理，并通过 35K 人类撰写的推论数据集进行了实验验证，结果表明其在生成多事件推理方面具有优异的性能。

May, 2023

本文探讨了两种语言处理任务的潜在协同作用：识别谓词释义和事件共指解析。作者通过使用事件共指数据集的注释来重新评分启发式抽取的谓词释义，实现了 18 个平均精度点的提升，并将同样的重新排序方法应用于事件共指解析模型中，进一步提高了模型的性能。研究结果揭示了一种有效的利用数据和模型相互受益的途径。

Apr, 2020

本文提出了一种端到端的事件共指方法 ——E3C 神经网络，它可以联合建模事件检测和事件共指解析任务，并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中，进一步提出了一种类型引导的事件共指机制。实验证明，我们的方法在两个标准数据集上实现了新的最佳性能。

Sep, 2020