Nov, 2023

FAMuS：多来源的帧

PDF
TL;DR理解事件描述是语言处理的核心方面，但目前的方法主要集中在单个句子或文档上。跨文档汇总事件信息能提供更丰富的理解。为此，我们介绍了 FAMuS，这是一个新的维基百科段落语料库，用于报告某个事件，并提供与之对应的不同体裁（非维基百科）的源文章。我们对报告和源文章中的事件和跨句子的论证进行了 FrameNet 注释，提供了不同事件类型的广泛覆盖。我们展示了 FAMuS 支持的两个关键事件理解任务的结果：源验证 —— 确定一篇文档是否是目标报告事件的有效来源，以及跨文档的论证提取 —— 从报告和正确的源文章中提取目标事件的全文档论证。我们通过发布 FAMuS 和我们的模型来支持进一步研究。
发现论文，激发创造
  • 具有歧义的众包框架消歧语料库

    使用众包方法对维基百科语料库中的 5,000 个词语 - 句子对进行了 FrameNet 语义框架消歧的资源建设，提供了一个基于不同独立注释者之间互相不同意见的置信度分数的框架列表，强调了语义框架之间的重叠和不确定性对于训练和评估自然语言处理系统的重要性，同时使用 Framester 系统提供的扩展词形集完成数据处理。

    Apr, 2019

  • 多句话论点链接

    提出了一种新的文档级模型，用于找到填充事件角色的论点范围，在句子级语义角色标注和指代消解中连接相关思想。通过创建一个新的资源 Roles Across Multiple Sentences（RAMS），支持我们的神经模型的发展，该资源包含 139 种类型的 9,124 个注释事件。我们在 RAMS 和其他事件相关数据集上展示了我们的模型的强大性能。

    Nov, 2019

  • MUSIED：多源异构非正式文本事件检测基准

    本研究基于用户评论、文本会话和电话会话等多种非正式、异构数据，提出了一个大规模的汉语事件检测数据集，并通过实验证明了非正式和异构数据的挑战性，为多源非正式事件检测提供了新的探索。

    Nov, 2022

  • 跨语言新闻 - 跨语言文档相似性与事件追踪

    本研究基于 Event Registry 系统，使用基于 Wikipedia 的不同语言交叉文档相似度计算方法，解决了多语言流的新闻推送跟踪，提出了一种链接不同语言文章聚集的方法，并对整个系统进行了充分评估。

    Dec, 2015

  • ArgFuse: 一种弱监督的文档级事件参数聚合框架

    介绍了信息聚合或参数聚合任务，旨在从长文本记录生成精确的文档级信息框架，并探索使用弱监督技术实现信息聚合任务的算法及其基准结果。

    Jun, 2021

  • 通过博客和电影推断细粒度事件因果关系

    本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。

    Aug, 2017

  • 序列跨文档指代消解

    本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型，通过增量式将提及点组合成集群表征，并预测提及点与已构建的集群之间的链接，近似高阶模型，既成为实体和事件指代消解领域中具有竞争力的解决方案，也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。

    Apr, 2021

  • 构建抗议事件相关知识库的跨文本新闻语料库

    提供了一种黄金标准语料库，其中包含各种国家的各种本地和国际来源，用于自动分类新闻文章和提取与抗议事件相关的信息，并在社会和政治科学研究中构建知识库。

    Aug, 2020

  • 通过篇章结构和语义信息增强跨文档事件共指消解

    通过构建文档级的修辞结构理论（Rhetorical Structure Theory, RST）树和跨文档词汇链，再利用异构图和 GAT 模型学习事件的表示，最后使用标准聚类算法识别共指事件，我们提出了针对现有的完全依赖于长距离依赖关系的事件关联模型不足的解决方案，并且在英文和中文数据集上都取得了显著的突破，超过了所有基准模型。

    Jun, 2024

  • 多模态事件图：走向多模态世界的事件中心理解

    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