基于 Token-Event-Role 结构的多通道文档级事件提取
本文提出了一种采用深层价值网络(Deep Value Networks,DVN)的端到端模型,以有效捕获文档级事件提取中的跨事件依赖关系,并在 ACE05 数据集上获得与基于条件随机场(CRF)模型可比的性能,同时具有更高的计算效率。
Oct, 2020
本文研究了文档级事件抽取中跨句子事件命名的问题,并提出了一种多粒度阅读器,用于动态汇集不同粒度的神经表示学习的信息。通过在 MUC-4 数据集上进行实验,表明本文提出的最佳系统的表现显著优于先前工作,并对上下文长度和神经模型性能之间的关系进行了分析。
May, 2020
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
本文提出了 Text2Event 模型,一种基于序列到结构生成范式的端到端学习模型,通过统一建模和普遍预测不同类型的标签,使用仅有记录级注释的情况下,实现了在监督和迁移学习中获得竞争性表现的事件抽取方法。
Jun, 2021
通过提出跨文档事件抽取(CDEE)任务,综合多个文档中的事件信息,本论文解决了传统文档级事件抽取的局限性,并构建了一个新的信息抽取研究线路。
Jun, 2024
本文提出了一种文档级神经事件关系抽取模型,将其作为一种条件生成的过程,并使用事件模板。此外,作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明,该模型在事件论证抽取方面取得了较好的性能,并展示了零样本事件提取框架的可移植性。
Apr, 2021
本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR),通过双流编码模块从不同角度对整个文档进行编码,利用局部和全局信息,并采用边界损失增强边缘信息,取得了跨句子事件论元抽取方面的巨大进展。
Apr, 2022
本文提出一种通用方法,在 MRC 模型的指导下执行无监督的句子简化,以改善 MRC-based 事件提取的性能,并在 ICEWS 地缘政治事件提取数据集上进行评估,特别关注 'Actor' 和 'Target' 参数角色,结果显示上下文简化可以提高演员提取 5% 以上和目标提取 10% 以上的性能。
Apr, 2022