EDeR:探索事件之间依存关系的数据集
本论文提出了一个交互式易于使用的工具 ——ED Explorer,用于探索 Event Detection(ED)数据集和模型,帮助领域专家和非专家更好地理解 ED 任务并优化 MAVEN 数据集。
Apr, 2022
提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE,通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征,并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系,并使用多任务学习策略训练整个框架,实验证明 GraphERE 明显优于现有方法,进一步分析显示了图增强事件嵌入和共同提取策略的有效性。
Mar, 2024
通过自然语言查询,建立了 ESTER 数据集,针对五种最常见的事件语义关系,提供了超过 6,000 个问题和 10,100 个事件关系对,实验结果表明,当前的 SOTA 系统表现明显低于人类表现,并凸显我们的数据集作为一个具有挑战性的基准。
Apr, 2021
本研究构建了一个统一的大规模人工标注事件关系提取数据集 MAVEN-ERE,并改进了标注方案。该数据集包含 103,193 个事件共指链,1,216,217 个时间关系,57,992 个因果关系和 15,841 个子事件关系,是现有所有事件关系提取任务数据集的十倍以上。实验表明,MAVEN-ERE 上的事件关系提取具有相当高的挑战性,联合学习可以提高性能。
Nov, 2022
本文提出了一种新颖的结构 Edge-Enhanced Graph Convolution Networks(EE-GCN),它利用句法结构和类型依赖标签信息同时进行事件检测任务,充分挖掘了隐藏在依赖边缘中的线索,实验结果表明,在 ACE2005 数据集上取得了明显的改进。
Feb, 2020
本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架,该框架可同时抽取多个事件触发器和参数,并捕捉参数之间的关联信息,实现对长距离依赖关系的建模,达到了与最先进方法的实质性改进。
Mar, 2020
本文介绍了 EventGraph,一种将事件编码为图形的联合框架,通过将触发事件和参数表示为语义图形中的节点,以此来解决事件提取的问题,并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果,并且在参数提取方面有了显著的改善。
Oct, 2022
该研究提出了利用语法引导 transformer 的长距离依存关系,来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上,该方法取得了新的最高性能。
Oct, 2020
本文提出了一种采用深层价值网络(Deep Value Networks,DVN)的端到端模型,以有效捕获文档级事件提取中的跨事件依赖关系,并在 ACE05 数据集上获得与基于条件随机场(CRF)模型可比的性能,同时具有更高的计算效率。
Oct, 2020
该论文探讨了如何更好地利用依存树传达的结构化信息来提高实体识别的性能,新提出的基于依存树指导的实体识别模型在相对较短的运行时间内表现出与传统半 - Markov 条件随机场模型同等的竞争力。
Oct, 2018