Oct, 2023

通过明确汇总事件信息来实现面向类型的解码的文档级事件抽取

PDF
TL;DR该论文介绍了一种新颖的基于模式的 SEA（Schema-based Explicitly Aggregating）模型，以解决文档级事件抽取中事件类型和参数之间的干扰问题，同时在 ChFinAnn 和 DuEE-fin 数据集上的实验证明该模型优于现有方法。
document-level event extractionarguments-scatteringmulti-eventschema-based explicitly aggregating (sea)event records
发现论文，激发创造
  • 超越单事件提取：迈向高效的文档级多事件论证提取

    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

  • EA$^2$E: 基于事件感知的文档级论点抽取一致性改进

    本研究针对现有文档级事件参与者角色提取模型无法在跨事件生成具有一致性的结果的问题，提出了基于事件关系的一致性约束机制，并介绍了一种集成上下文信息的事件感知 Argument Extraction 模型（EA^2E）来提升模型的一致性，WIKIEVENTS 和 ACE2005 数据集上的实验结果显示 EA^2E 模型比基准模型表现更加出色。

    May, 2022

  • 基于类人阅读过程的文档级事件抽取

    本文提出了基于人类阅读认知启发的文档事件抽取方法 HRE（Human Reading inspired Extractor for Document Events），通过将 DEE 分解为两个迭代阶段 ——rough reading 和 elaborate reading，逐步实现对于文本中散布的事件和多个事件的精细抽取。实验结果表明 HRE 优于之前竞争方法。

    Feb, 2022

  • 查询和提取：基于类型导向二进制解码的事件抽取优化

    本文提出了一种新的事件提取框架，该框架使用事件类型和参数角色作为自然语言查询，从输入文本中提取候选触发器和参数。通过查询中的丰富语义，我们的框架受益于注意机制，以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外，查询和提取公式允许我们的方法将来自各种本体的所有可用事件注释作为统一模型来利用。在 ACE 和 ERE 上的实验表明，本方法在每个数据集上均取得了最先进的性能，并在零 - shot 事件提取上显著优于现有方法。

    Oct, 2021

  • 从简单到复杂：一个逐步进行的框架，用于文档层面的信息论证提取

    基于文档的事件论证提取（EAE）需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架，通过计算每个事件的难度，并按照简单到复杂的顺序进行提取，以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4％，这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。

    Oct, 2023

  • 一种语义提及图增强的文档级事件论元抽取模型

    本研究提出了一个语义提及图增强模型，通过构建语义提及图来解决文档级事件论证抽取中的两个问题，并将关系特定的图融入到预训练语言模型的输入嵌入中，通过拓扑信息优化编码部分，从而全面增强关系，并在实验中取得了超越基线方法和达到新的最先进性能的结果。

    Mar, 2024

  • 通过双向实体级递归解码器捕获事件参数交互

    该研究提出了一种 Seq2Seq-like 的神经网络结构，用于解决事件参数抽取中存在的训练信号和顺序语义不足的问题，该结构使用具有上下文信息的实体 - 角色预测来生成参数角色。

    Jul, 2021

  • 从多个来源提取事件：走向跨文档事件提取范式

    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

  • 重新审视事件论元提取：当 EAE 模型意识到事件共现时，是否能学得更好？

    本文主要介绍了通过利用事件共现特性可以提高事件提取以及事件参数提取质量，提出了一种基于表格生成的非自回归框架 TabEAE，并在 4 个数据集上进行了 3 种不同的训练推理方案实验，结果表明该方法在 4 个数据集上均达到了最优的性能表现。

    Jun, 2023

  • 基于注意力图信息聚合的联合多事件抽取

    本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息，实现了同时提取多个事件触发器和参数，结果显示该框架与现有方法竞争性强。

    Sep, 2018