语义结构增强的事件因果关系识别
本文提出了一种名为 Event Causality Extraction(ECE)的新任务,旨在从文本中提取带有结构化事件信息的因果关系,并使用双网格标记方案和事件类型增强模型架构来实现该任务,实验证明了该方法的有效性,并指出了 ECE 的一些未来方向。
Jan, 2023
本文提出了一种迭代学习和识别框架,用于事件因果关系识别任务,通过更新事件的因果结构表示来提高因果识别的性能。实验证明,我们的方法在因果存在识别和方向识别的评估中优于现有的算法。
May, 2024
本文提出了一种多粒度对比迁移学习的异构图交互模型,用于零样本跨语言文档级事件因果识别,模型在多语言环境中相比之前的最先进模型提高了 9.4% 的平均 F1 得分,并且在整体性能方面,超过了 GPT-3.5 少样本学习 24.3% 的性能。
Mar, 2024
提出了一种多任务学习框架,通过因果性问题回答和事件结构图,增强了文档级事件因果性识别,并通过生成理由和结构感知的因果性问答来解释具有因果关系的事件。
Mar, 2024
该研究通过采用对比学习方法,利用正负样本来增强事件因果性识别的有效性,并应用于事件配对以更好地促进事件因果性识别,并在包括 EventStoryLine 和 Causal-TimeBank 在内的广泛使用的语料库上进行了评估,结果显示在最先进算法上有显著的性能提升。
May, 2024
本文介绍了一种新的事件因果识别训练数据增强方法,该方法采用双重学习框架和基于知识引导的方法生成新的句子,实验表明该方法在两个基准测试数据集上表现优于之前的方法。
Jun, 2021
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
本文提出了 CauSeRL 方法,基于自我监督和对比转移策略,通过利用外部因果语句来识别事件因果关系,实现从环境上学习因果模式并提高模型的性能。实验结果表明,该方法在 EventStoryLine 和 Causal-TimeBank 上比先前研究的方法分别提高 2.0 和 3.4 个 F1 值点。
Jun, 2021
提出了一种联合约束学习框架来对事件 - 事件关系进行建模,这种方法有效弥补了联合标记数据的缺失,并在时间关系提取和事件层级构建方面优于现有的方法,同时也可在外部语料库上诱导事件复合体的有效性。
Oct, 2020
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