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

基于预训练语言模型（PLMs），事件共指消解（ECR）系统通过聚类跨文档的语义指示共指事件展现出了出色的性能；然而，现有系统在输入提及对中展现出对 “触发词词汇匹配” 的过度依赖；我们基于结构因果模型（SCM）对基线 ECR 系统的决策过程进行形式化，旨在识别 ECR 任务中的伪因果关联（即依据）；借助反事实数据增强的去偏方法，我们开发了一种以依据为中心的反事实数据增强方法，结合了 LLM 循环；该方法专门针对 ECR 系统的两两输入，在触发词和上下文上进行直接干预，以减少伪关联并强调因果关系；我们的方法在三个流行的跨文档 ECR 基准测试上取得了最先进的性能，并在领域外场景中展现出稳健性。

Apr, 2024

事件指代消解的提问式模板方法（CorefPrompt）在单一模板中实现了事件建模和指代消解，并通过两个辅助任务明确展示了推理过程，提高了模型的预测能力。

Oct, 2023

本研究针对交叉文档事件共指消解（CDCR）任务，提出三个 CDCR 语料库的一致性评估，比较特征模型和神经模型的性能，发现特征模型在多个语料库上具有更加稳定的表现，而神经模型在不同语料库之间的表现存在差异。此研究强调了 CDCR 的通用性以及必要性，为未来的研究提供了有价值的探索性数据。

Nov, 2020

Event Coreference Resolution (ECR) is addressed through the development of EasyECR, an open-source library that standardizes data structures, abstracts ECR pipelines, integrates representative pipelines and benchmark datasets, and enables fair evaluation, revealing the need for evaluating ECR pipelines on multiple datasets and ensuring consistency when comparing models within the pipelines.

Jun, 2024

本文提出了一种新的 Event Coreference Resolution（ECR）方法，通过词形匹配、过滤和平衡训练集等步骤，实现了对跨文档和同一文档内事件提及的链接，减少了计算需求，并在两个常用 ECR 数据集上获得了与当前先进水平相当的结果。

May, 2023

本文提出了一种端到端的事件共指方法 ——E3C 神经网络，它可以联合建模事件检测和事件共指解析任务，并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中，进一步提出了一种类型引导的事件共指机制。实验证明，我们的方法在两个标准数据集上实现了新的最佳性能。

Sep, 2020

我们介绍了一种新颖高效的事件共指消解方法，将事件共指消解作为图重构任务，通过将深度语义嵌入与结构共指链知识相结合，创建了一系列参数高效的图自编码器模型（GAE）。我们的方法在荷兰的一个大型事件共指语料库上，在综合得分、效率和训练速度方面明显优于经典的提及对方法。此外，我们展示了我们的模型在更难的共指链接分类和低数据环境中相对于基于变换器的提及对共指算法更具鲁棒性。

Oct, 2023

本研究通过引入事件图的图形化表示 X-AMR 以及使用一种新型的多跳共指算法简化了事件共指消解，从而使其成为 LLM 成本效益高、可组合和可解释的，并且易于注释，进一步使用 GPT-4 与人类进行比较评估，分析了其局限性，旨在推进有效的事件共指消解技术并揭示当前 LLM 在此任务中的潜在缺陷。

Mar, 2024

本文提出了一种基于监督表示学习的聚类框架来解决事件指代消解问题，采用了含有新颖 CORE 项的神经网络架构作为模型，该模型可以通过建立事件提及嵌入使聚类变得更易操作；在 ECB + 语料库上的测试中，我们的模型在文内和跨文档指代消解问题上均获得了比竞争模型更好的结果，实验结果鼓舞人心，提出了一种利用表示学习解决指代消解和聚类问题的新的普适性框架。

May, 2018