EventNet-ITA: 意大利事件框架分析
本研究利用 WikiHow 创建了一个名为 EventNet 的大规模事件特定概念库,该库将事件组织为一个语义结构,并使用 CNN 模型和 SVM 分类器对视频内容进行特征提取和事件检索,大幅度提升检索效果。
Jun, 2015
本文描述了一种基于多任务学习的方法,用于解决日语谓词论元结构分析(PASA)和事件名论元结构分析(ENASA)任务中的交互问题,并采用神经网络的方法在 ENASA 中取得了优越的性能表现。
Apr, 2019
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
本文提出了一种基于概率领域知识构建分布式约束的框架,并且通过 Lagrangian Relaxation 解决约束的推理问题,用于端到端的事件时间关系提取任务,实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。
Sep, 2020
本文提供了一个大规模句子级别数据集,对开放式事件抽取进行基准测试,其中包含来自中国网页的 34000 多个新闻标题,为当前事件抽取问题上的高级研究提供了重要的依据。
Nov, 2022
提出了一种新的跨语言的事件抽取数据集,称为 MEE,其中注释了 8 种具有不同语言类型的语言中的 50000 多个实体提及、事件触发和事件参数。在此数据集上进行的实验发现多语言事件抽取的挑战和机遇。
Nov, 2022
理解事件描述是语言处理的核心方面,但目前的方法主要集中在单个句子或文档上。跨文档汇总事件信息能提供更丰富的理解。为此,我们介绍了 FAMuS,这是一个新的维基百科段落语料库,用于报告某个事件,并提供与之对应的不同体裁(非维基百科)的源文章。我们对报告和源文章中的事件和跨句子的论证进行了 FrameNet 注释,提供了不同事件类型的广泛覆盖。我们展示了 FAMuS 支持的两个关键事件理解任务的结果:源验证 —— 确定一篇文档是否是目标报告事件的有效来源,以及跨文档的论证提取 —— 从报告和正确的源文章中提取目标事件的全文档论证。我们通过发布 FAMuS 和我们的模型来支持进一步研究。
Nov, 2023
本文介绍了我们参与 CASE 2021 任务 1 子任务 4 的提交。EventGraph 系统使用端到端的基于图形的语义分析器来适应抗议事件提取,并专门针对子任务 4 的事件触发和参数提取。我们尝试使用各种图形将事件编码为 “标记边缘” 或 “节点中心” 的图形。我们展示了 “节点中心” 方法在整个任务的三种语言(英语、西班牙语和葡萄牙语)中表现最佳。EventGraph 在英语和葡萄牙语中排名第三,在西班牙语中排名第四。
Oct, 2022