Jun, 2023

JSEEGraph: 联合结构化事件抽取作为图解析

PDF
TL;DRJSEEGraph 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。
graph-based event extractionmeaning representation parsingentity and event encodingnested event structuresjoint ie inference
发现论文，激发创造
  • 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

  • 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

  • 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

  • 结构语义匹配实现联合事件抽取

    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。

    Jun, 2023

  • 基于提示的图模型用于联合自由事件抽取和事件模式归纳

    事件抽取任务旨在识别和分类事件，并根据事件模式找到其参与者。我们提出了一种基于提示的图模型用于自由事件抽取，该模型使用基于提示的方法获取候选触发器和参数，并构建异构事件图来编码事件内部和事件间的结构。实验结果表明，我们的方法在预定义事件模式下或无预定义事件模式下都能取得出色的性能，并且自动检测到的事件模式质量高。

    Mar, 2024

  • 使用分层知识图谱进行生物医学事件提取

    本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，用于增强句子中嵌套事件的抽取，其中每个句子首先通过联合建模的分层知识图地面化为一张句子图，并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中，对于所有事件和复杂事件分别实现了 1.41％和 3.19％的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。

    Sep, 2020

  • 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

  • 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

  • 事件关系抽取的联合约束学习

    提出了一种联合约束学习框架来对事件 - 事件关系进行建模，这种方法有效弥补了联合标记数据的缺失，并在时间关系提取和事件层级构建方面优于现有的方法，同时也可在外部语料库上诱导事件复合体的有效性。

    Oct, 2020

  • Doc2EDAG：一个用于中文金融事件抽取的端到端文档级框架

    该研究提出了一种新型的端到端模型 - Doc2EDAG，可以生成一个基于实体的有向无环图，有效地完成文档级事件提取（DEE）任务，并将 DEE 任务重新定义为无触发词设计，以缓解文档级事件标注的负担。

    Apr, 2019