Dec, 2023

结构化、复杂且时间完整的时态事件预测

PDF
TL;DR基于新的结果模型，该研究提出了 SCTc-TE 的简单且全自动的构建方法，并在此基础上开发了一种名为 LoGo 的新型模型，用于 SCTc-TE 的预测，通过构建两个大规模数据集以及广泛的评估实验证明了其优越性。
temporal event forecastingstructured, complex, and time-complete temporal eventsctc-telogo modellarge-scale datasets
发现论文，激发创造
  • 使用大型语言模型分析时间复杂事件：面向时间和长上下文理解的评测基准

    使用大型语言模型从时态复杂事件中提取和分析关键点和时间戳，建立了评估时态动态和理解大量文本的基准。实验证明，采用合适的信息检索和长上下文窗口的模型在处理时态复杂事件的长篇新闻文章时表现出可比较的性能。

    Jun, 2024

  • 未来不是单一维度的：通过图模型进行复杂事件模式识别以进行事件预测

    研究介绍了一种基于图的时间复杂事件模式表示方法、事件预测模型及语料库，该模型可以高效地构建和评价图形式的事件模式，并且比线性表示方法更加优越，具备更高的预测能力。

    Apr, 2021

  • 一种结构化学习方法用于时间关系提取

    本文讨论识别事件之间时间关系的问题，提出了一种结构化学习方法，以解决在学习识别这些关系时必须考虑依赖关系的挑战。同时，该方法还提出了一个新的处理缺失关系问题的角度，并在两个基准数据集上取得了显著的改进。

    Jun, 2019

  • 学习结构组件：面向模块化可解释的多元时间序列预测

    本文提出了一种模块化和可解释的预测框架 SCNN，可以分离时间序列数据中的结构和异构组成部分，并分别预测其演变。在三个实际数据集上的实验证明了 SCNN 可以胜过现有模型并具有更好的可追溯性和可预测性。

    May, 2023

  • 学习在大规模视频数据中本地化时间事件

    该研究提出了两种方法来解决大规模视频数据中事件的时间定位问题，一种是采用梯度提升决策树模型，另一种是采用基于帧级数据、视频级数据和定位模型的深度学习模型组合，在第三届 Youtube-8M 视频识别挑战中获得第 5 名。

    Oct, 2019

  • ForecastQA：基于时序文本数据的事件预测问答挑战

    本文提出了一种基于大量非结构化文本数据的事件预测方法，即将其转化为一种限定领域的问答任务。特意构建了 ForecastQA 问答数据集用于测试，采用 BERT-based 模型，最终精度达到 60.1%，但还落后于人类表现约 19%。

    May, 2020

  • 学习历史，演化未来：预测时序趋势用于假新闻检测

    本研究提出了一种名为 “FTT” 的有效框架，可以预测新闻数据的时间分布模式并指导检测器快速适应未来的分布。在真实世界的时序数据集上的实验证明了我们所提出的框架的优越性。

    Jun, 2023

  • GenTKG：时序知识图谱上的生成预测

    我们提出了一个新颖的检索增强生成框架 GenTKG，结合了时间逻辑规则检索策略和轻量级参数效率指导，用于在时间知识图上进行生成性预测，证实了大语言模型在时间知识图领域具有巨大潜力，并开辟了时间知识图生成性预测的新领域。

    Oct, 2023

  • 使用增强时间 BERT 结合结构化语句进行全感知时态关系预测

    本文提出了一种基于 SST-BERT 的方法，结合时间增强技术和结构句子编码，用于解决在不完整的时间知识图谱中进行时关系预测的问题。该模型包含时间掩码 MLM 任务，用于在 TKGs 中生成丰富的时间令牌，提高时间敏感性，并在转导和归纳测试数据上有效改善了现有模型。

    Apr, 2023

  • STF：空间时间融合的轨迹预测

    本研究提出了一种集成的三维图形方法，将空间和时间信息融合在一起，并考虑跨时间的交互信息，以更准确地预测车辆轨迹。实验证明，该方法在长时间范围的轨迹预测中表现优于其他基线方法。

    Nov, 2023