本文提出了一种基于语料库的开放领域事件类型归纳方法,该方法使用聚类 <谓词意义,对象头> 对每种事件类型进行表示,并利用选择显著谓词和对象头、利用动词意义词典消歧谓词语义、联合嵌入和聚类 <谓词意义,对象头> 对事件类型进行潜在球面空间的建模。多项实验表明,该方法能够有效地发现具有重要意义和高质量的事件类型。
Sep, 2021
通过本体嵌入建立相关知识联系的事件检测框架 OntoED,在解决数据稀缺和新未知事件类型方面比现有方法更卓越和稳健
May, 2021
本研究提出了一种新颖的、具有层级结构的半监督事件建模框架,结合序列潜变量模型和本体知识,通过一系列的结构化潜变量层对语义知识进行制导,成功提高事件建模的表现,并在两个数据集上的四种不同评估指标上均优于先前现有的最佳方法。
Dec, 2022
本文提出了一种新的任务,中间级别的重要事件检测,旨在从新闻语料库中检测在特定时间 / 位置发生的关键事件,并聚焦于相同的主题。为了解决这些挑战,我们开发了一个无监督的重要事件检测框架 EvMine,它提取时间频繁的 peak 短语,通过从我们设计的 peak 短语图中检测社区将 peak 短语合并成事件相关的特征集,使用从事件相关特征集自动生成的伪标签训练分类器,并利用检索到的文档迭代检测到的关键事件。
Jun, 2022
本文提出了一种名为 SemSIn 的模型,通过模拟事件中心结构和事件关联结构之间的语义关系,更准确地识别事件之间的因果关系,并在三个广泛使用的数据集上取得了显着的性能提升。
May, 2023
提出一种扩展了事件类型的任务 - 开放域事件抽取的无监督模型,通过构建一个可扩展的隐变量神经模型,收集了大量的数据集并进行了手动注释,通过任务特定的评估指标进行了评估,与现有最先进的方法进行了比较,结果表明该模型比现有的事件模式归纳方法具有更好的性能。
Jun, 2019
本文提出了一种基于事件驱动的交易策略,通过从新闻文章中检测公司事件来预测股票走势,并通过检测到的事件在文章级别上获取暂时的股票错定价,实现了超越市场基准的交易回报率。
事件抽取任务旨在识别和分类事件,并根据事件模式找到其参与者。我们提出了一种基于提示的图模型用于自由事件抽取,该模型使用基于提示的方法获取候选触发器和参数,并构建异构事件图来编码事件内部和事件间的结构。实验结果表明,我们的方法在预定义事件模式下或无预定义事件模式下都能取得出色的性能,并且自动检测到的事件模式质量高。
Mar, 2024
CLEVE 是一种对事件抽取进行对比预训练的框架,可以从大规模无监督数据和自动解析器获得的语义结构中更好地学习事件知识,并在传统的监督学习和无监督的事件抽取中显着提高了性能。
本篇文章描述了如何利用大型语言模型生成源文件,从而预测和构建描述感兴趣事件的模式,为任何主题生成任何模式,同时展示了这种方法在信息提取和模式推断方面的有效性和高效性。
Oct, 2022