本研究定义了事件关联，这是一种新的自然语言理解任务，尝试将文章中出现的事件与最相关的维基百科页面链接起来，并贡献了一份数据集用于此任务，同时对两个最新的实体链接模型进行重新训练和评估，并提出了一种用于此任务的竞争性系统 EVELINK。

Dec, 2021

本研究针对事件接地任务进行了扩展，需要从知识库中处理层次事件结构，通过辅助层次损失提出了一种检索方法，实验结果表明了层次损失的有效性并演示了系统在未见事件中发现层次性的能力。

Feb, 2023

本研究针对现有文档级事件参与者角色提取模型无法在跨事件生成具有一致性的结果的问题，提出了基于事件关系的一致性约束机制，并介绍了一种集成上下文信息的事件感知 Argument Extraction 模型（EA^2E）来提升模型的一致性，WIKIEVENTS 和 ACE2005 数据集上的实验结果显示 EA^2E 模型比基准模型表现更加出色。

May, 2022

本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

Apr, 2021

本文提出了一种问答方法来提取文档级别的事件 - 论证结构，使用手动定义的模板和生成型 Transformer 自动生成问题，并使用数据增强策略和迁移学习提高抽取结果的准确性，同时对最佳模型的错误进行详细分析。

Apr, 2024

本文介绍了 EventGraph，一种将事件编码为图形的联合框架，通过将触发事件和参数表示为语义图形中的节点，以此来解决事件提取的问题，并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果，并且在参数提取方面有了显著的改善。

Oct, 2022

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

本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

Jun, 2019

利用自然语言处理技术，结合知识图谱的构建和上下文关系，利用 Transformer 技术从文本中提取事实信息以构建全面的基于图的事件表示。

Mar, 2023

本文提出 Tailored AMR Graph (TAG) 的方法，并使用图神经网络作为链接预测模型来查找事件参数，实验结果表明，该简化方法在测试集 WikiEvents 和 RAMS 上分别优于当前最先进模型 3.63pt 和 2.33pt F1，且降低了 56％的推断时间。

May, 2023