Mar, 2024

GraphERE: 基于图增强事件嵌入的多事件关系抽取

PDF
TL;DR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。
event-event relation extractionevent embeddingsgrapheremultiple event relationsgraph-enhanced event embeddings
发现论文，激发创造
  • 基于注意力图信息聚合的联合多事件抽取

    本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息，实现了同时提取多个事件触发器和参数，结果显示该框架与现有方法竞争性强。

    Sep, 2018

  • ProtoEM: 事件关系抽取的原型增强匹配框架

    本文通过获取每种事件关系的原型表示并提出了原型增强匹配（ProtoEM）框架，用于联合提取多种事件关系。实验结果表明，该框架可以有效地表示事件关系的原型，并在基准模型上取得了显著改进。

    Sep, 2023

  • 联合实体和关系提取：基于跨度修剪和超图神经网络

    我们提出了一种基于超图神经网络的 PL-marker 模型的 Entity and Relation Extraction (ERE) 方法，采用高召回修剪机制来减轻错误传播，并在建立的超图上运行超图神经网络进行高阶推理，实验结果显示在 ERE 任务上相较于之前最先进的 PL-marker 模型有明显的提升。

    Oct, 2023

  • JSEEGraph: 联合结构化事件抽取作为图解析

    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

  • MAVEN-ERE: 一个用于事件指代消解、时间、因果和子事件关系抽取的统一大规模数据集

    本研究构建了一个统一的大规模人工标注事件关系提取数据集 MAVEN-ERE，并改进了标注方案。该数据集包含 103,193 个事件共指链，1,216,217 个时间关系，57,992 个因果关系和 15,841 个子事件关系，是现有所有事件关系提取任务数据集的十倍以上。实验表明，MAVEN-ERE 上的事件关系提取具有相当高的挑战性，联合学习可以提高性能。

    Nov, 2022

  • TacoERE: 事件关系抽取的集群感知压缩

    我们提出了一种关于事件关系抽取的聚类感知压缩方法 (TacoERE)，该方法通过聚类和压缩策略对文档进行建模，用于提高事件关系抽取的效果。实验结果表明 TacoERE 是一种有效的 ERE 方法。

    May, 2024

  • 事件关系抽取的联合约束学习

    提出了一种联合约束学习框架来对事件 - 事件关系进行建模，这种方法有效弥补了联合标记数据的缺失，并在时间关系提取和事件层级构建方面优于现有的方法，同时也可在外部语料库上诱导事件复合体的有效性。

    Oct, 2020

  • 基于边缘增强图对齐网络与词对关系标记的联合多模态实体关系抽取

    本研究提出一种新的联合多模态实体关系抽取任务方法，结合了多模态命名实体识别和多模态关系提取的相互作用，使用增强边缘对齐的图形对齐网络和词对关系标记来增强该任务，它能够发现实体 - 实体关系和对象 - 对象关系之间的关联性。

    Nov, 2022

  • 超越分类：一种用于事件时间关系提取的统一框架

    本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。

    May, 2023

  • 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