Jun, 2024

以图为链条将复杂事件提取为图在科学领域中

PDF
TL;DR我们提出了 EXCEEDS，一种新颖的端到端科学事件提取框架，在科学领域构建了一个多事件文档级数据集 SciEvents，并通过将密集的资源存储在一个网格矩阵中，并将复杂的事件提取简化为一个点构建和连接任务，实验证明 EXCEEDS 在 SciEvents 上具有最先进的性能。
发现论文，激发创造
  • 高效端到端跨事件依赖的文档级事件抽取

    本文提出了一种采用深层价值网络（Deep Value Networks，DVN）的端到端模型，以有效捕获文档级事件提取中的跨事件依赖关系，并在 ACE05 数据集上获得与基于条件随机场（CRF）模型可比的性能，同时具有更高的计算效率。

    Oct, 2020

  • 通过 Hard Expectation-Maximization 迭代改进生物医学实体链接和事件提取

    本文提出了一种基于隐含变量的硬 EM 方法，联合进行生物医学实体链接和事件抽取，并通过 Genia 2011 和 BC4GO 两个基准数据集的实验结果展示了该方法在两个任务上均优于强基线模型。

    May, 2023

  • 使用分层知识图谱进行生物医学事件提取

    本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，用于增强句子中嵌套事件的抽取，其中每个句子首先通过联合建模的分层知识图地面化为一张句子图，并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中，对于所有事件和复杂事件分别实现了 1.41％和 3.19％的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。

    Sep, 2020

  • 基于语料库的开放领域事件类型归纳

    本文提出了一种基于语料库的开放领域事件类型归纳方法，该方法使用聚类 <谓词意义，对象头> 对每种事件类型进行表示，并利用选择显著谓词和对象头、利用动词意义词典消歧谓词语义、联合嵌入和聚类 <谓词意义，对象头> 对事件类型进行潜在球面空间的建模。多项实验表明，该方法能够有效地发现具有重要意义和高质量的事件类型。

    Sep, 2021

  • 领域知识增强的结构化神经网络，用于端到端事件时间关系提取

    本文提出了一种基于概率领域知识构建分布式约束的框架，并且通过 Lagrangian Relaxation 解决约束的推理问题，用于端到端的事件时间关系提取任务，实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。

    Sep, 2020

  • MAVEN：一个大规模通用领域事件检测数据集

    本研究提出了一种包含 4480 份维基百科文件、118732 次事件提及实例和 168 种事件类型的 MAVEN 数据集，用于缓解数据不足和低覆盖率等问题，实证分析了通用领域事件检测中的进一步研究方向，并表明现有的事件检测方法不能像小规模数据集中表现出的那样在 MAVEN 上表现出色，说明其在现实世界中仍然是具有挑战性的任务，需要进一步的研究和努力。

    Apr, 2020

  • 事件提取：综述

    本综述介绍了从文本中检测事件的方法，探讨了任务定义、评估方法、基准数据集和方法学的分类，并展望了事件检测的未来研究方向。

    Oct, 2022

  • 从多个来源提取事件：走向跨文档事件提取范式

    通过提出跨文档事件抽取（CDEE）任务，综合多个文档中的事件信息，本论文解决了传统文档级事件抽取的局限性，并构建了一个新的信息抽取研究线路。

    Jun, 2024

  • EventGraph：事件提取作为语义图解析

    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

  • 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