ACLMay, 2023

AMPERE: 面向 AMR 的基于生成的事件论元抽取前缀模型

PDF
TL;DR本文提出了 AMPERE 模型来提高事件论元提取（EAE）的性能，该模型引入了抽象的语义表示（AMR）信息，并在每一层生成 AMR 感知的前缀，可有效克服自然语言和 AMR 的异构性，从而在 ACE2005 和 ERE 数据集上取得了显著的 F1 得分提升。
event argument extractiongeneration-based modelsabstract meaning representationamperef1 score improvement
发现论文，激发创造
  • 基于 AMR 的文档级事件论元提取中的链路预测方法

    本文提出 Tailored AMR Graph (TAG) 的方法，并使用图神经网络作为链接预测模型来查找事件参数，实验结果表明，该简化方法在测试集 WikiEvents 和 RAMS 上分别优于当前最先进模型 3.63pt 和 2.33pt F1，且降低了 56％的推断时间。

    May, 2023

  • 事件论元抽取的资源增强神经模型

    该研究提出了利用语法引导 transformer 的长距离依存关系，来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上，该方法取得了新的最高性能。

    Oct, 2020

  • 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

  • 重新审视事件论元提取：当 EAE 模型意识到事件共现时，是否能学得更好？

    本文主要介绍了通过利用事件共现特性可以提高事件提取以及事件参数提取质量，提出了一种基于表格生成的非自回归框架 TabEAE，并在 4 个数据集上进行了 3 种不同的训练推理方案实验，结果表明该方法在 4 个数据集上均达到了最优的性能表现。

    Jun, 2023

  • 神经 AMR: 序列到序列模型用于解析和生成

    使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

    Apr, 2017

  • 推动 100 多种事件类型的事件参数提取的泛化极限

    该研究介绍了一个新的数据集 GENEVA，涵盖了 115 个事件和 187 个参数角色，用于评估不同方面的模型泛化能力，并比较不同模型的相对普适性，最后提出了 SCAD 新模型，其性能优于以前的模型，并为这些测试套件提供强大的基准。

    May, 2022

  • DEGAP: 基于模板的事件论元提取模型的双事件导向自适应前缀与槽查询

    DEGAP 提出了解决事件论元提取中的挑战的方法，通过引入对不同事件实例和模板学习信息的双重前缀以及基于目标事件引导前缀的自适应门控机制，该方法在四个数据集上达到了最新的最优性能。

    May, 2024

  • 使用抽象意义表示导向神经语言生成进行摘要生成

    本文提出了通过 Abstract Meaning Representation (AMR) 结合神经语言生成模型的抽象摘要方案，使用源文档进行指导可以提高抽象摘要的质量，并在 ROUGE-2 测试中表现优异。

    Aug, 2018

  • 通过层次建模和逐对改进释放 LLMs 在事件论证提取中的潜力

    本研究提出了一种基于开源大型语言模型（LLMs）的层次化框架 ULTRA，用于在文档级别进行事件参数抽取，该方法相较于强监督模型和 ChatGPT，在精确定位事件参数范围、减轻位置偏见等方面表现优越，并且在精确匹配（EM）指标上提高了 9.8％的性能。

    Jan, 2024

  • 多语言 AMR-to - 文本生成

    本论文关注结构化数据的文本生成问题，并着眼于通过跨语言嵌入、预训练和多语言模型生成 21 种不同语言的 AMR 到文本模型。通过分析人类评估，我们发现我们的多语言模型能够准确捕捉形态和语序，并被母语人士视为流畅。

    Nov, 2020