COLINGMar, 2024

零 - shot 跨语言文档级事件因果识别：异构图对比迁移学习

PDF
TL;DR本文提出了一种多粒度对比迁移学习的异构图交互模型，用于零样本跨语言文档级事件因果识别，模型在多语言环境中相比之前的最先进模型提高了 9.4% 的平均 F1 得分，并且在整体性能方面，超过了 GPT-3.5 少样本学习 24.3% 的性能。
event causality identificationdocument-level eciheterogeneous graph interaction modelmulti-granularity contrastive transfer learningzero-shot cross-lingual eci
发现论文，激发创造
  • 上下文对比学习用于事件因果性鉴别

    该研究通过采用对比学习方法，利用正负样本来增强事件因果性识别的有效性，并应用于事件配对以更好地促进事件因果性识别，并在包括 EventStoryLine 和 Causal-TimeBank 在内的广泛使用的语料库上进行了评估，结果显示在最先进算法上有显著的性能提升。

    May, 2024

  • 语义结构增强的事件因果关系识别

    本文提出了一种名为 SemSIn 的模型，通过模拟事件中心结构和事件关联结构之间的语义关系，更准确地识别事件之间的因果关系，并在三个广泛使用的数据集上取得了显着的性能提升。

    May, 2023

  • LearnDA: 可学习的知识引导数据增强用于事件因果关系识别

    本文介绍了一种新的事件因果识别训练数据增强方法，该方法采用双重学习框架和基于知识引导的方法生成新的句子，实验表明该方法在两个基准测试数据集上表现优于之前的方法。

    Jun, 2021

  • 事件因果关系提取与事件参数相关性

    本文提出了一种名为 Event Causality Extraction（ECE）的新任务，旨在从文本中提取带有结构化事件信息的因果关系，并使用双网格标记方案和事件类型增强模型架构来实现该任务，实验证明了该方法的有效性，并指出了 ECE 的一些未来方向。

    Jan, 2023

  • 文档事件因果性识别的同时学习

    本文提出了一种迭代学习和识别框架，用于事件因果关系识别任务，通过更新事件的因果结构表示来提高因果识别的性能。实验证明，我们的方法在因果存在识别和方向识别的评估中优于现有的算法。

    May, 2024

  • 用根据和结构的因果问答提升事件因果性鉴定

    提出了一种多任务学习框架，通过因果性问题回答和事件结构图，增强了文档级事件因果性识别，并通过生成理由和结构感知的因果性问答来解释具有因果关系的事件。

    Mar, 2024

  • ERGO: 文档级事件因果关系识别的事件关系图转换器

    本文提出了一种新颖的 ERGO 框架，用于文档级事件因果关系识别，并通过构建事件关系图形式化 DECI 为一个节点分类问题，引入了边缘构建策略和自适应聚焦损失来处理由伪相关性引起的大量误报。通过广泛的实验和案例研究，本文表明 ERGO 比之前的 SOTA 方法显着提高，未来有值得深入研究的方向。

    Apr, 2022

  • 基于异构图交互模型和跟踪器的文档级事件提取

    本文提出了一种名为 GIT 的异构图交互模型，该模型引入跟踪器模块解决文献中目标事件参数分布广泛、事件之间关联复杂的问题，并且在大规模数据集上实验表明，GIT 在提取多个相关事件和事件参数方面表现良好，F1 值比先前的方法提高了 2.8。

    May, 2021

  • 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

  • 基于句间依存图的零 - shot 跨语言机器阅读理解

    通过引入 Universal Dependencies 中的句法特征，特别是句子内的句法关系和句子间的句法关系，从而建立一个跨语言的 Inter-Sentence 依存图，并提出了一个 ISDG 编码器，能在无需跨语言训练的情况下显著提高零 - shot 的性能。

    Dec, 2021