May, 2023

超越分类：一种用于事件时间关系提取的统一框架

PDF
TL;DR本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。
event temporal relation extractionmulti-label classificationlogical expressionstime point pairsunified framework
发现论文，激发创造
  • 细粒度时间关系提取

    本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

    Feb, 2019

  • 无监督学习事件之间的时间关系

    本文介绍了两种旨在实现无人监督的时间关系提取方法，第一种基于弱监督机器学习方法和互联文献数据集，第二种是基于期望最大化算法和不同的技术手段，我们的实验结果表明，所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系，并实现了比以往更高的准确性。

    Jan, 2014

  • 一种结构化学习方法用于时间关系提取

    本文讨论识别事件之间时间关系的问题，提出了一种结构化学习方法，以解决在学习识别这些关系时必须考虑依赖关系的挑战。同时，该方法还提出了一个新的处理缺失关系问题的角度，并在两个基准数据集上取得了显著的改进。

    Jun, 2019

  • 多类别学习中用于时序关系分类的动态更新事件表示

    该论文利用事件中心模型和多任务学习，提出了一种时态关系分类方法，能够处理多个事件之间的动态事件表征，并取得了优于现有模型的实验结果。

    Oct, 2023

  • TIMELINE：新闻文章中支持自动排序事件的时间关系的详尽注释

    该研究论文介绍了一种新的标注方案，以解决现有时间关系注释新闻数据集中存在的问题，并自动化了标注过程，从而减少了时间和人力成本。该论文还报告了基于新语料库进行训练和评估基线时间关系提取模型的结果，并与广泛使用的 MATRES 语料库的结果进行了比较。

    Oct, 2023

  • ProtoEM: 事件关系抽取的原型增强匹配框架

    本文通过获取每种事件关系的原型表示并提出了原型增强匹配（ProtoEM）框架，用于联合提取多种事件关系。实验结果表明，该框架可以有效地表示事件关系的原型，并在基准模型上取得了显著改进。

    Sep, 2023

  • GraphERE: 基于图增强事件嵌入的多事件关系抽取

    提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE，通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征，并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系，并使用多任务学习策略训练整个框架，实验证明 GraphERE 明显优于现有方法，进一步分析显示了图增强事件嵌入和共同提取策略的有效性。

    Mar, 2024

  • 提高事件时间关系提取的准确性：抽取还是猜测？

    本文提出了两方面的方法以提高 TempRel 的准确性，即进行反事实分析以减轻训练偏见的影响和提供不确定性估计并在文本中描述关系。在 MATRES，MATRES-DS 和 TDDiscourse 上的实验分析表明，我们的模型相对于 SOTA 方法更具有忠诚度，特别是在分布转移下。

    Oct, 2022

  • 领域知识增强的结构化神经网络，用于端到端事件时间关系提取

    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

  • 一种改进的神经网络基线用于时间关系提取

    本研究提出了一种新的神经系统，通过采用语境化单词嵌入，一个时间常识知识库的连体编码器和整数线性规划的全局推理，在 MATRES 数据集上进行训练，取得了一个基准数据集上绝对精度提高约 10％（25％的误差降低）的结果。我们认为，这种新方法可以为未来研究提供一个强大的基准线。

    Sep, 2019