Oct, 2023

利用图自编码网络高效解决事件指代消解的缺失问题

PDF
TL;DR我们介绍了一种新颖高效的事件共指消解方法，将事件共指消解作为图重构任务，通过将深度语义嵌入与结构共指链知识相结合，创建了一系列参数高效的图自编码器模型（GAE）。我们的方法在荷兰的一个大型事件共指语料库上，在综合得分、效率和训练速度方面明显优于经典的提及对方法。此外，我们展示了我们的模型在更难的共指链接分类和低数据环境中相对于基于变换器的提及对共指算法更具鲁棒性。
event coreference resolutiongraph reconstructiondeep semantic embeddingsstructural coreference chain knowledgegraph autoencoder models
发现论文，激发创造
  • 神经元全事件核指代消解

    本文提出了一种端到端的事件共指方法 ——E3C 神经网络，它可以联合建模事件检测和事件共指解析任务，并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中，进一步提出了一种类型引导的事件共指机制。实验证明，我们的方法在两个标准数据集上实现了新的最佳性能。

    Sep, 2020

  • 多模态跨文档事件共指消解的线性语义转移和混合模态集成

    提出了一种融合视觉和文本线性映射的多模态跨文档事件共指解析方法，通过对事件中心图像的集成，对核心指称进行融合模型、线性映射和集合方法进行处理，实现了对事件共指的跨模态线性映射，为核心指称解析领域提供了多模态信息的实用性和需要更多多模态资源的提示。

    Apr, 2024

  • 基于 X-AMR 的跨文档线性事件共指消解

    本研究通过引入事件图的图形化表示 X-AMR 以及使用一种新型的多跳共指算法简化了事件共指消解，从而使其成为 LLM 成本效益高、可组合和可解释的，并且易于注释，进一步使用 GPT-4 与人类进行比较评估，分析了其局限性，旨在推进有效的事件共指消解技术并揭示当前 LLM 在此任务中的潜在缺陷。

    Mar, 2024

  • 基于受控表示学习和聚类导向正则化的事件指代消解

    本文提出了一种基于监督表示学习的聚类框架来解决事件指代消解问题，采用了含有新颖 CORE 项的神经网络架构作为模型，该模型可以通过建立事件提及嵌入使聚类变得更易操作；在 ECB + 语料库上的测试中，我们的模型在文内和跨文档指代消解问题上均获得了比竞争模型更好的结果，实验结果鼓舞人心，提出了一种利用表示学习解决指代消解和聚类问题的新的普适性框架。

    May, 2018

  • 基于生成的理由和知识蒸馏的事件共指建模

    使用自然语言处理（NLP）中的事件核指消解（Event Coreference Resolution）技术，通过利用现代自回归语言模型生成的假设自由文本（abductive free-text rationales）作为小型学生模型的远程监督，进行事件的跨文档核指消解（cross-document coreference），以提高核指消解的性能。

    Apr, 2024

  • 基于提示的事件共指消解：通过测量事件类型和参数的兼容性

    事件指代消解的提问式模板方法（CorefPrompt）在单一模板中实现了事件建模和指代消解，并通过两个辅助任务明确展示了推理过程，提高了模型的预测能力。

    Oct, 2023

  • 重新审视跨文档实体和事件共指消解的联合建模

    本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

    Jun, 2019

  • $2 * n$ 更优于 $n^2$：将事件核指代消解分解为两个易处理问题

    本文提出了一种新的 Event Coreference Resolution（ECR）方法，通过词形匹配、过滤和平衡训练集等步骤，实现了对跨文档和同一文档内事件提及的链接，减少了计算需求，并在两个常用 ECR 数据集上获得了与当前先进水平相当的结果。

    May, 2023

  • 基于层次距离依赖贝叶斯模型的事件关联消解

    本文提出了一种新颖的基于层次距离相关性的贝叶斯模型，可以将成对的事件提及之间的距离纳入生成式聚类过程中，进而实现更好的事件聚类和事件消解效果。经过对 ECB + 语料库的实验证明，我们的模型在文档内和跨文档事件消解方面均优于最先进的方法。

    Apr, 2015

  • 通过迭代展开事件间的相互依赖关系进行事件核心链解析

    提出一种新的迭代方法，通过采用同一链中和跨事件链中的事件提及之间的相互依赖性逐渐构建事件聚类，并使用两个不同的成对分类器来区分同一链中和跨文档事件指称之间的事件指称，并交替进行聚类后合并，最终执行事件链之间的进一步合并，从而在 WD 和 CD 事件共指解析的联合任务中胜过现有方法。

    Jul, 2017