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。

May, 2023

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

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

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

提出一种通过引入自主训练数据的自训练事件抽取系统的方法，它利用了跨多个来源的新闻文章中同一事件实例的多个提及的出现。在这个集群中，如果我们的系统能从一些提及中进行高置信度的抽取，那么它可以通过添加其他提及来获取多样化的培训示例。该方法对 ACE2005 和 TAC-KBP 2015 数据集上的多个事件提取器显示出显着的性能改进。

Aug, 2018

应对低资源信息提取的挑战仍然是一个持续存在的问题，由于有限训练示例中固有的信息稀缺性。现有的数据增强方法被认为是潜在的解决方案，但在弱增强（例如同义词增强）和剧烈增强（例如缺乏适当指导的条件生成）之间很难达到平衡。本文提出了一种新的范式，采用目标增强和反向验证，以生成增强的示例，增强了多样性、极性、准确性和连贯性。广泛的实验结果证明了所提范式的有效性。此外，还讨论了已确定的局限性，为未来改进提供了启示。

May, 2024

本文提出一种通用方法，在 MRC 模型的指导下执行无监督的句子简化，以改善 MRC-based 事件提取的性能，并在 ICEWS 地缘政治事件提取数据集上进行评估，特别关注 'Actor' 和 'Target' 参数角色，结果显示上下文简化可以提高演员提取 5% 以上和目标提取 10% 以上的性能。

Apr, 2022

本文针对低资源语言中事件提取的难点，使用收集自新闻网站的新数据集（InDEE-2019）进行深度学习模型的规则扩充和标签尾部的规则创建，通过实验验证了各种方法的有效性。

Aug, 2019

本文提出了一种新的基于令牌 - 事件 - 角色数据结构和多通道预测模块的文档级事件抽取框架，并证明了其在各项性能指标表现优异。

Jun, 2023

本文提出了一种对视觉语言预训练模型进行对事件及相关参数角色理解的对比学习框架，并结合文本信息提取技术，利用多个提示函数来构造事件结构，设计基于最优传输的事件图形对齐损失来捕获事件参数结构，通过无监督学习进行预训练，并在零样本的情况下取得了优秀的性能。

Jan, 2022