细节决定成败：事件抽取评价的陷阱

ACLJun, 2023

细节决定成败：事件抽取评价的陷阱

The Devil is in the Details: On the Pitfalls of Event Extraction Evaluation

Peng Hao, Wang Xiaozhi, Yao Feng, Zeng Kaisheng, Hou Lei...

TL;DR本论文旨在检查事件提取（EE）评估的可靠性，并确定三个主要问题：数据预处理差异，输出空间差异和缺乏管道评估。通过综合元分析和实证实验，我们展示了这些问题的显著影响，并提出了一系列解决方案，包括指定数据预处理、标准化输出，提供管道评估结果。为了帮助实施这些解决方案，本论文还开发了一个一致的评估框架 OMNIEVENT。

Abstract

event extraction (EE) is a crucial task aiming at extracting events from texts, which includes two subtasks: event detection (ED) and event argument extraction (EAE). In this paper, we check the reliability of EE

event extraction event detection event argument extraction evaluation evaluation framework

发现论文，激发创造

事件提取的再评估：过去、现在和未来的挑战

本文讨论和解决事件提取评估中的挑战，并提出了 TextEE 作为一个标准化、公平和可重现的事件提取基准，包含了多个领域的标准化数据预处理脚本和数据集切分，重新评估了多个事件提取方法，并探索了大型语言模型在事件提取中的能力和未来挑战。

Nov, 2023

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

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

MEE：一份新颖的多语言事件提取数据集

提出了一种新的跨语言的事件抽取数据集，称为 MEE，其中注释了 8 种具有不同语言类型的语言中的 50000 多个实体提及、事件触发和事件参数。在此数据集上进行的实验发现多语言事件抽取的挑战和机遇。

Nov, 2022

超越单事件提取：迈向高效的文档级多事件论证提取

提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation)，该模型能够同时从文档中提取所有事件的论证，并能够在四个公共数据集上达到最新的最佳性能，并显著节省推理时间。

May, 2024

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

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

在基于问答的事件提取中迈向更好的问题生成

通过利用强化学习方法，我们提出了四个评估问题质量的标准，并在基于问题回答的事件提取中生成了流畅、具有概括性和上下文相关性的问题，从而为 QA 模型提供了明确的指导。在 ACE 和 RAMS 数据集上进行的广泛实验证实了我们方法的有效性，同时也展示了它在训练数据有限的情况下的鲁棒性。

May, 2024

EA$^2$E: 基于事件感知的文档级论点抽取一致性改进

本研究针对现有文档级事件参与者角色提取模型无法在跨事件生成具有一致性的结果的问题，提出了基于事件关系的一致性约束机制，并介绍了一种集成上下文信息的事件感知 Argument Extraction 模型（EA^2E）来提升模型的一致性，WIKIEVENTS 和 ACE2005 数据集上的实验结果显示 EA^2E 模型比基准模型表现更加出色。

May, 2022

从简单到复杂：一个逐步进行的框架，用于文档层面的信息论证提取

基于文档的事件论证提取（EAE）需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架，通过计算每个事件的难度，并按照简单到复杂的顺序进行提取，以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4％，这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。

Oct, 2023