本研究提出了多模态事件关系的新任务，并开发了一个大规模数据集和一种基于外部知识库的弱监督多模态方法，为人工智能系统实现媒体理解和跨媒体事件关系建立提供了支持。

Jun, 2022

本研究提出了一个全面的事件语义处理框架，并引入了一个新的基准测试集 EVEVAL，以全面评估模型的事件语义处理能力，为自然语言处理领域的大语言模型应用提供了重要的研究方向。

May, 2023

通过调查 105 个需要事件理解能力的视频数据集，我们考虑它们对视频中鲁棒事件理解研究的贡献，并评估在这一研究领域中提出的视频事件提取任务，提出了基于调查结果的数据集策划和任务构建建议，特别强调视频事件的时间特性和视觉内容的歧义性。

Jun, 2024

该研究旨在验证文本理解是否已经发展到可以通过注释手册衍生出精炼的陈述来提取事件信息的程度，通过引入一个采用这种陈述的模型示例，实验表明我们可以在封闭本体中提取事件，并通过阅读新的定义来概括未见过的事件类型。

Dec, 2019

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

通过构建一个统一的模型 OmniParser，本文在处理不同场景的可视化文本解析问题上取得了最先进的性能，并且在文本定位、关键信息提取和表格识别任务上表现出色。

Mar, 2024

EventPlus 是第一个全面的时间事件理解流水线，可帮助用户快速获取任何用户提供的文档中有关事件及其时间信息的注释。此外，我们展示了 EventPlus 可以轻松适应其他领域（例如，生物医学领域），并公开了 EventPlus 以促进基于事件相关信息的提取和下游应用。

Jan, 2021

本文提出了一个阅读理解框架，用于解决文本数据中的事件抽取问题，并在少量数据上进行优化，取得了零样本以及少样本情况下的优异表现，其次还在 ACE 2005 基准数据集上取得了最佳性能。

Oct, 2020

本文提出了一种 Semantic Pivoting Model for Effective Event Detection (SPEED)—— 显式地在训练期间整合先前信息，捕捉输入与事件之间语义上的相关性，在多个设置中取得最先进的性能，并优于基线方法而不使用任何外部资源。

Nov, 2022

通过引入基于现有数据集和人类注释的面向事件的长视频理解基准测试集 Event-Bench 以及使用合并的、事件密集型视频指令来增强视频 MLLMs 的低成本方法 VIM，本研究表明 GPT-4o 模型超过了最佳开源模型 41.42％，在 Event-Bench 上表现出 53.33 的整体准确率，优于最先进的开源模型和 GPT-4V。

Jun, 2024