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

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

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

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

利用大型语言模型和小型语言模型协作的方法在跨文档事件共指解析中取得了最好的性能，并且在不同的数据集中都表现出了最先进的性能，强调了其在多样场景中的有效性。

Jun, 2024

该研究提出了一种新颖的跨文档抽象意义表示（X-AMR）注释工具，用于注释关键的语料库级事件语义。借助 Prodigy 注释工具提供的机器辅助，我们提高了用户体验，确保了注释过程的简便与高效。通过实证分析，我们展示了本工具在增强现有事件语料库方面的有效性，并强调了其与 GPT-4 集成的优势。

Feb, 2024

使用自然语言处理（NLP）中的事件核指消解（Event Coreference Resolution）技术，通过利用现代自回归语言模型生成的假设自由文本（abductive free-text rationales）作为小型学生模型的远程监督，进行事件的跨文档核指消解（cross-document coreference），以提高核指消解的性能。

Apr, 2024

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

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