ACLOct, 2023

利用语境线索和角色相关性增强文档级事件论元抽取

PDF
TL;DR本文提出了一种 SCPRG（Span-trigger-based Contextual Pooling and latent Role Guidance）模型，它包含两个新颖有效的模块，用于解决文档级事件论证提取的问题，并在公共数据集上表现出优越的性能。
document-levelevent argument extractioncontextual clue informationlatent role representationsstate-of-the-art methods
发现论文，激发创造
  • CARLG：利用上下文线索和角色关联提高文档级事件论元提取

    我们提出了 CARLG 模型，通过利用上下文线索和角色相关性，有效改进文档级事件论证提取，实验证明 CARLG 模型在多个数据集上优于现有方法，并且推理时间缩短了 31%。

    Oct, 2023

  • 带提示的全局约束的零样本事件论元分类

    本文使用全局约束和提示来有效地处理事件参数分类，而无需任何标注和特定任务的训练，使用新的提示模板，可以轻松适应所有事件和参数类型，并且在多个数据集上实验证明了该方法的有效性。

    Feb, 2023

  • 一种双流 AMR 增强模型用于文档级事件论元抽取

    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

  • 使用多粒度上下文编码的文档级事件角色填充物提取

    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

  • 通过句子简化改进零样本事件提取

    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

  • 无监督的标签感知事件触发词和论元分类

    本文提出了一种无监督事件抽取流程，使用先进的预训练语言模型并匹配语义，有效将事件映射到预定义的事件类型上，最终表现出色，成功地将 83% 的触发器和 54% 的参数映射到了正确类型。

    Dec, 2020

  • 基于伪触发词感知的修剪完全图的高效文档级事件提取

    本研究提出了一种快速轻量级的模型 PTPCG，通过修剪完整图及自动选出的伪触发器进行非自回归解码，实现文档级事件抽取的高效率，取得了比之前系统更具竞争力的结果。

    Dec, 2021

  • 条件生成实现的文档级事件论元抽取

    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

  • 提问和回答以提取事件论元结构

    本文提出了一种问答方法来提取文档级别的事件 - 论证结构，使用手动定义的模板和生成型 Transformer 自动生成问题，并使用数据增强策略和迁移学习提高抽取结果的准确性，同时对最佳模型的错误进行详细分析。

    Apr, 2024

  • 使用上下文化的跨度表示进行实体、关系和事件提取

    我们提出了一个名为 DyGIE ++ 的统一、多任务框架，并通过枚举、精炼和评分文本跨句的局部和全局环境以完成命名实体识别、关系提取和事件提取等三项信息提取任务，利用动态跨句子关系模拟实现了跨句子实体关系抽取，该框架在多个领域的四个数据集上均取得了最好的结果。

    Sep, 2019