通过提出一种新的基线技术和构建基于机器学习的过程提取技术，将实体解析组件与实体和关系提取组件进行深度融合，以适应不同数据集和领域，从而避免了适应其他数据集、不同实体和关系类型或新领域所需的特征工程和规则定义所产生的巨大开销。

May, 2023

将冗长的自然语言描述自动转化为结构化流程模型仍然是一个复杂的挑战 - 本文引入了一个现代解决方案，其中我们的方法的核心是使用依赖解析和命名实体识别（NER）从文本描述中提取关键元素。此外，我们利用主 - 动 - 宾（SVO）结构来识别动作关系，并集成了包括 WordNet 在内的语义分析工具以增加上下文理解。我们系统的一个新颖方面是将神经共指解决方案与 SpaCy 框架结合，提高了实体链接和代词引用的准确性。此外，该系统能够灵活处理数据转换和可视化，将提取的信息转化为 BPMN（业务流程模型和符号）图表。这种方法不仅简化了捕获和表示业务工作流程的过程，还显著减少了传统建模方法中的手动努力和潜在错误的可能性。

Dec, 2023

本项研究探讨了信息抽取中文档体类别和长度对常用方法的影响，特别是对具有文本挖掘任务价值的命名实体识别和语义角色标注有着重要的启示。

Jun, 2023

通过比较基于嵌入式 NLP 排名方法、使用 GPT-4 的生成式 AI 方法、众包方法以及纯手动创建相关性标签的方法，本研究旨在探讨如何协助法律和领域专家评估相关要求，并通过两个案例研究对方法进行评估，提供了关于适用性、自动化、透明性和可重复性的优缺点，并给出了针对特定应用场景的过程使用、影响和动态特征的方法组合指南。

Jan, 2024

本研究使用自然语言处理技术，旨在解决获取发展中国家公司财务数据的问题。通过构建专门针对发展中国家金融文本数据的数据集，我们采用基于 Transformer 的 T5 模型进行文本到文本的处理，同时进行命名实体识别和关系提取，达到 92.44% 的准确率、68.25% 的精确度和 54.20% 的召回率。同时，我们还使用 SpaCy 进行序列处理，包括预训练和微调模型的命名实体识别以及使用 SpaCy 的依赖解析器输出和一些启发式方法来确定实体关系，最终实现了 84.72% 的准确率、6.06% 的精确度和 5.57% 的召回率。

Mar, 2024

本文提出了一种新的手动引导对话方案，其中代理从对话和手册学习任务，从而降低了对领域本体的依赖，使其更灵活地适应不同的领域，相关实验表明该方案提高了对话系统的数据效率和领域可扩展性

Aug, 2022

该研究介绍了利用多粒度文本分类问题，提出了一种层次化神经网络，以从文本描述中高效地建模和提取多粒度信息，该方法基于过程模型提取，结合自然语言处理（NLP）和业务流程管理（BPM）并使用粗到细的学习机制。经实验证明，该方法优于现有的最先进方法。

May, 2019

本文提出了一种基于无监督的基于图的排名模型，用于提取科学文献的摘要。我们的方法假定源文档采用两级分层图表示，并利用不对称的位置提示来确定句子的重要性。在 PubMed 和 arXiv 数据集上的结果表明，我们的方法在自动指标和人工评价方面优于强无监督基线。此外，其性能与许多基于监督学习的方法相当。这些结果表明，篇章结构中的模式是确定科学文章重要性的强有力信号。

May, 2020

该论文介绍了一种名为 Process-To-Text (P2T) 的框架，该框架集成了三种人工智能模式，用于自动生成流程的文本描述解释，并展示了在心脏病领域的真实应用案例，显示了 P2T 为专业人士提供自然语言解释的潜力。

May, 2023

本文提出一种针对机器生成文档与人工撰写文档进行区分的无监督学习方法，通过利用高阶 n 元模型进行分类，并使用疑似标注文档来训练分类器的集合，成功实现了对疑似机器生成文档的准确评估，并且该方法可适用于各种规模的大型语言模型。

Nov, 2021