通过创建结构化的事件模式，可以在全局事件中识别出具有最大影响力的元素，创造了一个可实时编辑事件模式属性的网络应用接口，用于自然语言处理领域。

May, 2024

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

提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE，通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征，并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系，并使用多任务学习策略训练整个框架，实验证明 GraphERE 明显优于现有方法，进一步分析显示了图增强事件嵌入和共同提取策略的有效性。

Mar, 2024

JSEEGraph 是一个基于图的事件抽取框架，采用 “意义表示解析” 的方式来处理事件抽取任务。该模型能够同时编码实体和事件，并能够进行其他信息抽取关系的编码和联合推理，并通过构图的方式处理实体和事件的嵌套结构。实验结果表明，JSEEGraph 具有很好的性能，尤其是可以处理嵌套事件结构和联合解决不同的信息抽取任务，代码和模型已经得到公开发布。

Jun, 2023

本文提出一种基于事件的异构信息网络，结合外部知识库，基于元路径相似度搜索的社交事件检测和演化发现框架，并利用基于加权元路径实例相似性和文本语义表示的新颖 PP-GCN 对社交事件进行细粒度分类，该框架优于其他替代的社交事件检测和演化发现技术。

Apr, 2021

本文介绍了一种基于编辑的转换器，其通过编辑假设使序列生成更加灵活。 实验证明，它在处理序列时，比 Levenshtein Transformer 更有效，并且在标准的机器翻译任务中可以实现与 Levenshtein Transformer 相媲美的翻译质量和更快的解码速度。

Nov, 2020

本论文提出了一个交互式易于使用的工具 ——ED Explorer，用于探索 Event Detection（ED）数据集和模型，帮助领域专家和非专家更好地理解 ED 任务并优化 MAVEN 数据集。

Apr, 2022

本文提出了一个事件元结构来表征社交事件的语义相关性并构建了一个基于事件的异构信息网络（HIN），该网络合并了外部知识库中的信息，并提出了一种新的基于 KIES 的 PP-GCN 模型，用于对社交事件进行分类。实验结果表明，该方法在社交事件分类方面优于其他替代方法。

Jun, 2019

本研究提出了一种用于完成事件图的方法，通过利用事件图的模式结构来预测要添加到已实例化的架构子图中的候选事件节点并达到了最先进的性能结果。

Jun, 2022

本文提出了一种基于事件的编码框架（REP）来预测脚本事件，该框架通过提取具有丰富事件描述的信息，包括动词的意义，额外的语义角色和参与者类型，并使用基于 Transformer 的事件编码器灵活地处理任意数量的参数。通过在广泛使用的 Gigaword 语料库上进行的实验结果表明，该框架是有效的。

Dec, 2022