Sep, 2023

ProtoEM: 事件关系抽取的原型增强匹配框架

PDF
TL;DR本文通过获取每种事件关系的原型表示并提出了原型增强匹配（ProtoEM）框架，用于联合提取多种事件关系。实验结果表明，该框架可以有效地表示事件关系的原型，并在基准模型上取得了显著改进。
event relation extractionereprototype-enhanced matchingprototype representationsgraph neural network
发现论文，激发创造
  • 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

  • 超越分类：一种用于事件时间关系提取的统一框架

    本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。

    May, 2023

  • 实时搜索中的事件增强检索

    提出了一种名为 EER 的新方法，该方法通过改进传统 EBR 的双编码器模型、引入对比学习和生成式事件三元组提取方案，以及相关学习实现事件关联查询编码器优化，提高了实时检索性能，有望为信息检索领域带来新的视角。

    Apr, 2024

  • TacoERE: 事件关系抽取的集群感知压缩

    我们提出了一种关于事件关系抽取的聚类感知压缩方法 (TacoERE)，该方法通过聚类和压缩策略对文档进行建模，用于提高事件关系抽取的效果。实验结果表明 TacoERE 是一种有效的 ERE 方法。

    May, 2024

  • MAVEN-ERE: 一个用于事件指代消解、时间、因果和子事件关系抽取的统一大规模数据集

    本研究构建了一个统一的大规模人工标注事件关系提取数据集 MAVEN-ERE，并改进了标注方案。该数据集包含 103,193 个事件共指链，1,216,217 个时间关系，57,992 个因果关系和 15,841 个子事件关系，是现有所有事件关系提取任务数据集的十倍以上。实验表明，MAVEN-ERE 上的事件关系提取具有相当高的挑战性，联合学习可以提高性能。

    Nov, 2022

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020

  • 联合实体和关系提取：基于跨度修剪和超图神经网络

    我们提出了一种基于超图神经网络的 PL-marker 模型的 Entity and Relation Extraction (ERE) 方法，采用高召回修剪机制来减轻错误传播，并在建立的超图上运行超图神经网络进行高阶推理，实验结果显示在 ERE 任务上相较于之前最先进的 PL-marker 模型有明显的提升。

    Oct, 2023

  • 无监督学习事件之间的时间关系

    本文介绍了两种旨在实现无人监督的时间关系提取方法，第一种基于弱监督机器学习方法和互联文献数据集，第二种是基于期望最大化算法和不同的技术手段，我们的实验结果表明，所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系，并实现了比以往更高的准确性。

    Jan, 2014

  • EDeR：探索事件之间依存关系的数据集

    本研究利用人工注释的 Event Dependency Relation 数据集（EDeR）来探究事件作为另一个事件的参数（必选或可选）的依赖关系，通过预测事件依赖关系，可以更准确地进行事件抽取和语义角色标注，并且能提高后续任务的效果。同时，将其分类成必选参数、可选参数或非参数也是一项更具挑战性的任务。

    Apr, 2023

  • 细粒度时间关系提取

    本研究提出了一种新的语义框架来建模时间关系和事件持续时间，构建了迄今为止最大的时间关系数据集，并利用该数据集训练了预测细粒度时间关系和事件持续时间的模型，表现出强大的实验结果，并展示了预测分类关系的迁移学习方法的功效。

    Feb, 2019