Jun, 2023

结构语义匹配实现联合事件抽取

PDF
TL;DR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。
event extractioninformation extractionsemantic matchingargument extractionmachine learning
发现论文，激发创造
  • 基于注意力图信息聚合的联合多事件抽取

    本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息，实现了同时提取多个事件触发器和参数，结果显示该框架与现有方法竞争性强。

    Sep, 2018

  • 使用图卷积网络沿最短依赖路径进行联合事件抽取

    本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架，该框架可同时抽取多个事件触发器和参数，并捕捉参数之间的关联信息，实现对长距离依赖关系的建模，达到了与最先进方法的实质性改进。

    Mar, 2020

  • JSEEGraph: 联合结构化事件抽取作为图解析

    JSEEGraph 是一个基于图的事件抽取框架，采用 “意义表示解析” 的方式来处理事件抽取任务。该模型能够同时编码实体和事件，并能够进行其他信息抽取关系的编码和联合推理，并通过构图的方式处理实体和事件的嵌套结构。实验结果表明，JSEEGraph 具有很好的性能，尤其是可以处理嵌套事件结构和联合解决不同的信息抽取任务，代码和模型已经得到公开发布。

    Jun, 2023

  • 基于指针网络编码器 - 解码器架构的事件结构提取

    通过提出基于指针网络的编码器 - 解码器模型，构建一种与众不同的元组格式以表示事件记录和相应角色信息，实现事件信息的提取和表示的端到端解决方案，实验表明此方法在 ACE2005 数据集上取得了具有竞争力的效果。

    Nov, 2022

  • CasEE: 基于级联解码的重叠事件抽取联合学习框架

    本研究提出了一种名为 CasEE 的联合学习框架，用于解决事件提取过程中存在的事件重叠问题，它可以有效地提取具有不同角色的多种类型的事件，同时在 FewFC 数据集上得到了显著的提升。

    Jul, 2021

  • 利用上下文定义对齐的零样本事件抽取

    该论文提出了一种零样本事件抽取方法，通过使用两个转换器模型将事件提及及其定义投射到相同的嵌入空间，通过对比学习来最小化它们的嵌入距离以实现定义语义建模，并在 MAVEN 数据集上进行了实验，表现优于之前的零样本和有样本监督方法。

    Nov, 2022

  • 基于上下文线索的语音事件提取

    我们介绍了一种从语音信号中提取事件的新方法 ——Speech Event Extraction (SpeechEE)。我们提出了一种序列到结构生成范例，可以在端到端的方式上从语音信号中生成事件，并利用语音识别转录作为上下文线索的生成方法。实验结果显示，我们的方法在所有数据集上都取得了显著的改进，最大 F1 增益达到了 10.7%。

    Jan, 2024

  • 跨媒体结构化共同空间用于多媒体事件抽取

    该研究提出了一个新的任务 —— 多媒体事件抽取 (M2E2)，旨在从多媒体文档中提取事件及其参数。研究使用弱监督训练策略，建立多媒体事件抽取的基准测试和数据集，并提出了一种新的方法 WASE，可将文本和视觉数据的语义信息编码到共同的嵌入空间中，并取得了较好的效果。

    May, 2020

  • EventGraph：事件提取作为语义图解析

    本文介绍了 EventGraph，一种将事件编码为图形的联合框架，通过将触发事件和参数表示为语义图形中的节点，以此来解决事件提取的问题，并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果，并且在参数提取方面有了显著的改善。

    Oct, 2022

  • OneEE：一种快速重叠和嵌套事件提取的一阶段框架

    OneEE 是一种简单而有效的标注方案和模型，将事件提取作为词词关系识别来表述，它在同时识别触发词或参数词之间的关系方面表现出色，具有很快的事件提取速度，并在 FewFC、Genia11 和 Genia13 三个基准测试上取得了最先进的结果。

    Sep, 2022