ACLMay, 2023

使用去噪结构 - 文本增强提升事件抽取

PDF
TL;DR本文提出了一种通过知识基础结构生成模型和深度强化学习代理程序迭代地从中选择有效子集的去噪结构生成增强框架（DAEE），以解决事件提取任务中语法不正确、结构不对齐和语义偏差等问题，并在多个数据集上进行试验，结果表明该方法生成了更多元化的事件提取文本表示，并取得了与最先进技术相当的效果。
event extractiondata augmentationdeep reinforcement learningknowledge-based generationnlp applications
发现论文，激发创造
  • STAR: 利用大语言模型生成结构化文本数据增强低资源事件抽取

    使用大型语言模型，提出 STAR 数据生成方法用于改善低资源事件抽取表现，数据生成比人工标注更有效。

    May, 2023

  • Text2Event: 可控制序列结构生成的端到端事件提取

    本文提出了 Text2Event 模型，一种基于序列到结构生成范式的端到端学习模型，通过统一建模和普遍预测不同类型的标签，使用仅有记录级注释的情况下，实现了在监督和迁移学习中获得竞争性表现的事件抽取方法。

    Jun, 2021

  • 通过自动训练数据生成放大事件抽取学习

    本文提出了使用远程监督自动生成训练数据，利用结构化知识库和神经网络模型来提高事件抽取的效果的方法。通过实验结果表明，该方法可以大量生成高质量的训练数据，并且可以识别出多种类型的事件。

    Dec, 2017

  • 基于上下文线索的语音事件提取

    我们介绍了一种从语音信号中提取事件的新方法 ——Speech Event Extraction (SpeechEE)。我们提出了一种序列到结构生成范例，可以在端到端的方式上从语音信号中生成事件，并利用语音识别转录作为上下文线索的生成方法。实验结果显示，我们的方法在所有数据集上都取得了显著的改进，最大 F1 增益达到了 10.7%。

    Jan, 2024

  • 使用生成对抗网络从在线文本中提取开放事件

    本文提出了一个基于对抗生成网络的事件提取模型，可以对长文本进行结构化表示，实验结果显示该模型在三个数据集上的表现优于基线模型，尤其在新闻文章数据集上提高了 15% 的 F - 度量值。

    Aug, 2019

  • 带有语法和语义结构的图形变换网络用于事件参数提取

    本文提出了一种基于图变换网络（GTNs）利用句子的句法和语义结构来学习更有效的句子结构的新模型，并引入了基于信息瓶颈的新归纳偏差来提高 EAE 模型的泛化性能，实验结果表明该模型在标准数据集上具有最先进的 EAE 性能。

    Oct, 2020

  • 结构语义匹配实现联合事件抽取

    本研究提出了一种基于深度学习的 NLP 模型，利用语义类型嵌入和动态结构编码器模块进行事件抽取和论证角色提取，用于信息抽取的关键任务之一的事件提取，并在 ACE2005 数据集上取得了显著的性能提升。

    Jun, 2023

  • 超越单事件提取：迈向高效的文档级多事件论证提取

    提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation)，该模型能够同时从文档中提取所有事件的论证，并能够在四个公共数据集上达到最新的最佳性能，并显著节省推理时间。

    May, 2024

  • 一种语义提及图增强的文档级事件论元抽取模型

    本研究提出了一个语义提及图增强模型，通过构建语义提及图来解决文档级事件论证抽取中的两个问题，并将关系特定的图融入到预训练语言模型的输入嵌入中，通过拓扑信息优化编码部分，从而全面增强关系，并在实验中取得了超越基线方法和达到新的最先进性能的结果。

    Mar, 2024

  • 针对少样本事件抽取探测和微调阅读理解模型

    本文提出了一个阅读理解框架，用于解决文本数据中的事件抽取问题，并在少量数据上进行优化，取得了零样本以及少样本情况下的优异表现，其次还在 ACE 2005 基准数据集上取得了最佳性能。

    Oct, 2020