Implicit Knowledge in Argumentative Texts: An Annotated Corpus
Heidelberg University(海德堡大学)
当说话或写作时,人们会忽略那些看起来清晰和明显的信息,以至于只有一部分信息是用语言表达的。特别是在议论文中,(重要的)论点部分被隐含和省略是很常见的。我们假设,对于论证分析来说,重构这些隐含的信息将是有益的。作为填补这些知识空白的起点,我们建立了一个语料库,由高质量的人类注释的缺失和隐含的信息在议论文。为了更好地了解议论文和附加信息的特点,我们进一步用语义小句类型和常识知识关系对数据进行标注。我们的工作成果是一个精心设计和丰富注释的数据集,然后我们通过调查分配标签的特征分布和相关性来提供深入的分析。我们揭示了有趣的模式和我们的数据集的注释类别和属性之间的交叉点,这使得我们能够深入了解论证文本和隐含知识的结构特征和语义信息的特点。我们的分析结果可以帮助自动化的论点分析,并可以指导自动揭示的过程中隐含的信息在议论文。
2019-12-04 cs.CL
CUP: Curriculum Learning based Prompt Tuning for Implicit Event Argument Extraction
East China Normal University(华东师范大学);Fudan University(复旦大学)
隐式事件参数提取(EAE)的目的是识别可能分散在文档中的参数。以往的研究大多集中在学习参数和触发器之间的直接关系,而隐含的关系与长程依赖没有得到很好的研究。此外,最近的基于神经网络的方法依赖于大量的标记数据进行训练,由于高标记成本,这是不可用的。本文提出了一种基于课程学习的提示微调(CUP)方法,通过四个学习阶段来解决内隐EAE。根据触发器节点在语义图中的关系定义阶段,很好地捕捉了参数和触发器之间的长程依赖关系。此外,我们集成了一个基于提示的编码器-解码器模型,以在每个阶段从预训练的语言模型(PLM)中获取相关知识,其中提示模板与学习进度相适应,以增强参数的推理。在两个著名的基准数据集上的实验结果显示了我们所提出的方法的巨大优势。特别是,我们在完全监督和低数据场景中的表现优于最先进的模型。
2022-06-12 cs.CL
Learning to Explicitate Connectives with Seq2Seq Network for Implicit Discourse Relation Classification
Dept. of Language Science and Technology(语言科学与技术系);Saarland University(萨尔兰大学)
隐含语篇关系分类是语篇分析中最困难的步骤之一。难点在于连贯关系必须根据语篇关系论元的内容来推断。因此,一个有效的编码的关系参数是至关重要的。我们在这里提出了一个新的模型隐式话语关系分类,它包括一个分类器,和一个序列到序列模型,该模型被训练来生成一个表示的话语关系参数,试图预测的关系参数,包括一个合适的隐式连接。训练是可能的,因为这样的隐含连接词已经被注释为PDTB语料库的一部分。与记忆网络一起,我们的模型可以为任务生成更精细的表示。在现在标准的11路分类上,我们的方法在包括交叉验证在内的多种设置下的PDTB基准测试中优于以前最先进的系统。
2019-04-02 cs.CL
Predicting Implicit Arguments in Procedural Video Instructions
University of Edinburgh(爱丁堡大学);TU Darmstadt(德累斯顿理工大学)
针对过程性视频指令中隐式论元预测问题,提出Implicit-VidSRL数据集和iSRL-Qwen2-VL模型,显著提升多模态上下文推理和隐式语义角色标注性能。
2025-05-27 cs.CL cs.CV
Explicating the Implicit: Argument Detection Beyond Sentence Boundaries
Bar-Ilan University(巴伊兰大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Washington(华盛顿大学)
本文提出一种基于文本蕴含的跨句论元检测方法,将语义关系编码为独立命题并检验其是否被全文蕴含,无需直接监督,在文档级基准上优于部分有监督方法和当代语言模型。
2024-08-08 cs.CL
Semantic Graph Convolutional Network for Implicit Discourse Relation Classification
Beijing Institute of Technology(北京理工大学);Pattern Recognition Center, WeChat AI, Tencent Inc(腾讯公司微信人工智能模式识别中心)
隐性语篇关系分类对于语篇分析具有重要意义,但由于缺乏表达这些关系的显性语篇联系语,隐性语篇关系分类仍然是一个具有挑战性的问题。对关系的两个参数之间的语义交互进行建模已被证明对于检测隐含的话语关系是有用的。然而,大多数以前的方法建模这样的语义交互从一个浅的交互层,这是不够的,捕捉足够的语义信息。本文提出了一种新颖有效的语义图卷积网络(SGCN),在更深层次的交互作用上增强论元间语义的建模,用于隐式话语关系分类。我们首先在两个参数的表示上构建交互图,然后通过图卷积自动提取深入的语义交互信息。在英语语料库PDTB和汉语语料库CDTB上的实验结果都证明了该模型的优越性。
2019-10-21 cs.CL
The Argument Reasoning Comprehension Task: Identification and Reconstruction of Implicit Warrants
Technische Universität Darmstadt(达姆施塔特工业大学);Bauhaus-Universität Weimar(魏玛包豪斯大学)
推理是自然语言论证的重要组成部分。为了理解一个论证,我们必须分析它的根据,这解释了为什么它的主张是从它的前提得出的。由于论证是高度语境化的,因此论据通常是预先假定的,并且是隐含的。因此,理解不仅需要语言理解和逻辑技巧,而且还依赖于常识。在本文中,我们开发了一种方法来重建权证系统。我们在一个可扩展的众包过程中将其操作化,从而产生了一个免费许可的数据集,并从新闻评论中获得了2k个真实论点的保证。在此基础上,我们提出了一个新的具有挑战性的任务,论点推理理解任务。给定一个有一个主张和一个前提的论点,目标是从两个选项中选择正确的隐含保证。这两个理由都是合理的,词汇上也很接近,但却导致了相互矛盾的说法。这项任务的解决方案将为自动重建权证迈出实质性的一步。然而,几个神经注意和语言模型的实验表明,目前的方法是不够的。
2018-02-27 cs.AI cs.CL
Identifying Implicit Premises for Logical Reconstruction of Argument Graphs
University College London(伦敦大学学院)
本文针对论证图逻辑重构中省略式论证的隐含前提问题,提出神经符号管道方法,结合大型语言模型生成隐含前提并评估,用于证明陈述间的逻辑关系。
2026-08-20 cs.AI cs.CL
Event Coreference Resolution via a Multi-loss Neural Network without Using Argument Information
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
事件共指消解(ECR)是自然语言处理(NLP)中的一项重要任务,现有的ECR方法都依赖于事件论元信息。然而,这些方法往往遭受从事件参数提取阶段的错误传播。此外,并非每个事件提及都包含事件的所有参数,并且参数信息可能会混淆模型,即事件具有参数以检测真实文本中的事件共指。此外,事件的上下文信息对于推断事件之间的共指是有用的。因此,为了减少传播的错误从事件参数提取和有效地使用上下文信息,我们提出了一个多损失神经网络模型,不需要任何参数信息做文档内事件共指消解任务,并取得了显着的性能比国家的最先进的方法。
2020-09-22 cs.CL
Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations
Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University(北京航空航天大学大数据与脑机智能高精尖创新中心);Macquarie University(麦考瑞大学);National Computer Network Emergency Response Technical Team/Coordination Center of China(国家计算机网络应急技术处理协调中心);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Leeds(利兹大学)
事件抽取是自然语言处理的一项基本任务。发现事件参数(如事件参与者)的角色对于事件提取至关重要。然而,这样做的现实生活中的事件描述是具有挑战性的,因为一个参数的作用往往在不同的情况下变化。虽然多个参数之间的关系和相互作用对于解决参数角色是有用的,但现有方法在很大程度上忽略了这些信息。本文提出了一种更好的方法,通过显式地利用事件参数的关系的事件提取。我们通过精心设计的面向任务的对话系统来实现这一点。为了对参数关系进行建模,我们采用强化学习和增量学习来通过多轮迭代过程提取多个参数。我们的方法利用同一句话中已经提取的参数的知识来确定难以单独决定的参数的作用。然后,它使用新获得的信息来改进先前提取的参数的决策。这种双向反馈过程使我们能够利用论元关系来有效地解决论元角色,从而更好地理解句子和提取事件。实验结果表明,我们的方法始终优于七个国家的最先进的事件提取方法的分类的事件和参数的角色和参数识别。
2021-12-22 cs.CL
Temporal Reasoning on Implicit Events from Distant Supervision
Allen Institute for AI(艾伦人工智能研究所);University of Pennsylvania(宾夕法尼亚大学);Amazon(亚马逊)
我们提出了TRACIE,一个新的时间推理数据集,评估系统理解隐式事件的程度-事件没有明确提到的自然语言文本,但可以推断出it. This引入了一个新的挑战,在时间推理研究,以前的工作集中在明确提到的事件。人类读者可以通过常识推理推断出隐含的事件,从而更全面地理解情况,从而更好地推理时间。然而,我们发现,国家的最先进的模型的斗争时,预测隐式和显式事件之间的时间关系。为了解决这个问题,我们提出了一个神经符号的时间推理模型,SYMTIME,它利用远程监督信号从大规模的文本,并使用时间规则结合开始时间和持续时间推断结束时间。SYMTIME在TRACIE上的表现优于强基线系统5%,在零先验知识培训设置中优于强基线系统11%。我们的方法也推广到其他时间推理任务,证明了1%-9%的MATRES,一个明确的事件基准增益。
2021-05-07 cs.CL
EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
事件在文档中是相互关联的。受单义话语理论的启发,我们假设参与者倾向于在同一文档中的多个事件中扮演一致的角色。然而,最近的工作文档级事件参数提取模型的每个单独的事件隔离,因此导致提取的参数之间的不一致性,跨事件,这将进一步导致下游应用程序,如事件知识库人口,问答,和假设生成的差异。在这项工作中,我们制定了事件参数一致性的文件级设置下的事件-事件关系的约束。为了提高一致性,我们引入了事件感知的参数提取(EA $^2$ E)模型与增强的上下文进行训练和推理。在WIKIEVENTS和ACE 2005数据集上的实验结果表明,与基线方法相比,EA $^2$ E方法是有效的.
2022-05-30 cs.CL
Capturing Event Argument Interaction via A Bi-Directional Entity-Level Recurrent Decoder
National Engineering Research Center for Software Engineering, Peking University(北京大学软件工程国家工程研究中心);Meituan Group(美团集团);RICH AI(RICH人工智能)
捕获事件参数之间的交互是实现鲁棒事件参数提取(EAE)的重要一步。然而,在这方面的现有努力遭受两个局限性:1)上下文实体的论元角色类型信息主要被用作训练信号,忽略了直接采用它作为语义丰富的输入特征的潜在优点; 2)论元级别的顺序语义,这意味着在事件提及上的论元角色的总体分布模式,没有得到很好的表征。为了解决上述两个瓶颈,我们第一次将EAE形式化为Seq 2Seq类学习问题,其中具有特定事件触发器的句子映射到事件参数角色序列。提出了一种新的双向重复级别递归解码器(BERD)的神经架构,通过结合上下文实体的论元角色预测来生成论元角色,就像逐词文本生成过程一样,从而更准确地区分事件内的隐式论元分布模式。
2021-07-01 cs.CL
Resource-Enhanced Neural Model for Event Argument Extraction
Amazon AI(亚马逊人工智能)
事件论元抽取(EAE)的目的是识别事件的论元,并对这些论元所扮演的角色进行分类。尽管前期工作做了很大努力,但仍存在许多挑战:(1)数据稀缺。(2)捕获远程依赖关系,特别是事件触发器和远程事件参数之间的连接。(3)将事件触发器信息集成到候选参数表示中。对于(1),我们探索以不同的方式使用未标记的数据。对于(2),我们建议使用一个语法参与的Transformer,它可以利用依赖解析来指导注意力机制。对于(3),我们提出了一种具有几种类型的依赖于编码器的序列表示的编码器感知的序列编码器。我们还支持从带有黄金实体注释的文本或纯文本中提取参数。在英语ACE2005测试集上的实验表明,该方法达到了新的水平。
2020-10-06 cs.CL
Global Constraints with Prompting for Zero-Shot Event Argument Classification
HKUST(香港科技大学);Tencent AI Lab(腾讯人工智能实验室)
确定事件参数的作用是事件提取的一个关键子任务。大多数以前的监督模型利用昂贵的注释,这对于开放域应用程序是不实际的。在这项工作中,我们建议使用全局约束,提示有效地处理事件参数分类没有任何注释和特定于任务的培训。具体来说,给定一个事件及其相关段落,该模型首先通过前缀提示和完形填空提示生成若干新段落,其中前缀提示指示事件类型和触发跨度,完形填空提示将每个候选角色与目标论元跨度连接起来。然后,预先训练的语言模型对新段落进行评分,从而进行初始预测。我们新颖的提示模板可以轻松适应所有事件和参数类型,无需手动操作。接下来,该模型通过利用跨任务、跨参数和跨事件关系的全局约束来正则化预测。大量的实验表明,我们的模型的有效性:它优于最好的zero-shot基线的12.5%和10.9%F1 ACE和ERE与给定的参数跨度和4.3%和3.3%F1,分别没有给定的参数跨度。我们已经公开了我们的代码。
2023-02-09 cs.CL
Event Argument Extraction with Enriched Prompts
Beijing Jiaotong University(北京交通大学)
本研究探究提示中融入触发词、同事件及跨事件角色论元对基于提示的事件论元抽取模型性能的影响,给出该类模型最优性能并验证可从训练目标角度优化,在RAMS上完成多模型实验。
2025-01-12 cs.CL
Open-Vocabulary Argument Role Prediction for Event Extraction
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
事件抽取中的论元角色是指事件与参与其中的论元之间的关系,尽管事件抽取的研究取得了很大的进展,但现有的研究仍然依赖于领域专家预先定义的角色。这些研究在扩展到新兴事件类型或没有可用角色的新领域时暴露出明显的弱点。因此,需要将更多的注意力和精力投入到自动定制参数角色上。在本文中,我们定义了一个重要但尚未被充分研究的任务:开放式词汇论元角色预测。此任务的目标是推断给定事件类型的一组参数角色。我们提出了一个新的无监督框架,RolePred的这项任务。具体来说,我们制定的角色预测问题作为一个填充任务,并构造提示预训练的语言模型,以生成候选角色。通过提取和分析候选参数,进一步合并和选择特定于事件的角色。为了规范该任务的研究,我们从Wikipedia收集了一个新的事件提取数据集,包括142个具有丰富语义的自定义参数角色。在这个数据集上,RolePred的性能大大优于现有的方法。源代码和数据集可在我们的GitHub存储库中获得:https://github.com/yzjiao/RolePred
2022-11-03 cs.CL
MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);WeChat AI, Tencent Inc(腾讯微信人工智能)
本文提出首个覆盖事件检测、论元提取、关系提取的全流程一体化事件理解数据集MAVEN-Arg,其标注规模大、体系全面,对现有EAE模型和大语言模型均具挑战性,还可支撑未来事件预测等应用研究。
2024-06-18 cs.CL
Unsupervised Label-aware Event Trigger and Argument Classification
HKUST(香港科技大学);University of Pennsylvania(宾夕法尼亚大学)
识别事件并将它们映射到预定义的事件类型长期以来一直是重要的自然语言处理问题。大多数以前的工作一直严重依赖于劳动密集型和特定领域的注释,而忽略了事件类型的标签中包含的语义含义。因此,学习的模型不能有效地推广到新的领域,其中可能会引入新的事件类型。在本文中,我们提出了一个无监督的事件提取管道,它首先使用可用的工具(例如,SRL),然后自动映射到预定义的事件类型与我们提出的无监督分类模型。我们的模型不依赖于注释数据,而是将已识别事件的语义与事件类型标签的语义相匹配。具体来说,我们利用预先训练的语言模型来上下文地表示事件触发器和参数的预定义类型。在我们通过表示相似性将识别的事件映射到目标类型之后,我们使用事件本体(例如,自变量类型“Victim”只能作为事件类型“Attack”的自变量出现)作为全局约束来正则化预测。在ACE-2005数据集上进行测试时,该方法非常有效,该数据集有33个触发器和22个参数类型。在不使用任何注释的情况下,我们成功地将83%的触发器和54%的参数映射到正确的类型,几乎是以前zero-shot方法性能的两倍。
2021-06-02 cs.CL
EventGraph: Event Extraction as Semantic Graph Parsing
University of Oslo(奥斯陆大学);University of Bergen(卑尔根大学)
事件提取涉及事件触发器和相应事件参数的检测和提取。现有的系统通常将事件提取分解为多个子任务,而没有考虑它们之间可能的交互。在本文中,我们提出了EventGraph,一个联合框架的事件提取,它编码的事件作为图形。我们将事件触发器和参数表示为语义图中的节点。因此,事件提取成为图解析问题,其提供以下优点:1)联合执行事件检测和参数提取; 2)从一段文本中检测和提取多个事件;以及3)捕获事件参数和触发器之间的复杂交互。在ACE 2005上的实验结果表明,我们的模型是有竞争力的国家的最先进的系统,并大大提高了参数提取的结果。此外,我们从ACE 2005中创建了两个新的数据集,其中我们保留了事件参数的整个文本跨度,而不仅仅是中心词。我们的代码和模型都是开源的。
2022-10-16 cs.CL
Retrieving Implicit and Explicit Emotional Events Using Large Language Models
University of Copenhagen(哥本哈根大学);Arizona State University(亚利桑那州立大学)
针对LLMs在隐式和显式情感检索能力未充分探索的问题,本研究通过多模型实验及提出的有监督对比探测方法,系统评估其在常识领域的情感检索性能与检索事件多样性,揭示了LLMs的优势与局限性。
2024-12-01 cs.CL
Event Argument Extraction using Causal Knowledge Structures
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
事件参数提取是指从非结构化文本中提取感兴趣的特定事件的结构化信息的任务。现有的作品表现出穷人的能力,提取因果事件的论点,如原因和后效应。此外,大多数现有的作品在句子层面上模拟这一任务,将上下文限制在局部范围内。虽然它可能对短跨度的文本有效,但对于较长的文本(如新闻文章),经常观察到事件的参数不一定出现在包含事件触发器的同一个句子中。为了解决论点分散在句子中的问题,在这项任务中使用全局上下文变得至关重要。在我们的工作中,我们提出了一个外部知识辅助的方法来注入文档级的事件信息,以帮助提取复杂的事件参数。我们通过从ConceptNet和Wikipedia中提取相关的事件因果结构,为我们的事件注释数据集开发了一个因果网络。我们使用提取的事件因果特征的双向Transformer编码器,有效地捕捉长距离的句子间的依赖关系。我们报告的有效性,我们提出的方法,通过定性和定量分析。在这项任务中,我们建立了我们的研究结果的事件注释数据集在5种印度语言。该数据集通过标记实体类型(如时间,地点)以及更复杂的参数类型(如原因,After-Effect)的参数,进一步增加了任务的复杂性。我们的方法在所有五种语言中实现了最先进的性能。由于我们的工作不依赖于任何语言特定的功能,它可以很容易地扩展到其他语言。
2021-05-02 cs.CL
A Comparative Study on Collecting High-Quality Implicit Reasonings at a Large-scale
Tohoku University(东北大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能研究中心);Stony Brook University(石溪大学)
在论证中显式隐式推理(即,保证)是自然语言理解系统的长期挑战。虽然最近的方法集中在通过众包或专家注释来解释认股权证,但由于任务的极端复杂性和主观性,认股权证的质量一直受到质疑。在本文中,我们解决了权证解释的复杂任务,并制定了各种方法收集权证。我们与训练有素的专家进行了广泛的研究,以评估每种方法产生的认股权证,并发现我们的方法可以收集高质量的认股权证。我们构建了一个包含6,000个认股权证的初步数据集,注释了3个有争议的主题的600多个论点。为了促进相关下游任务的研究,我们发布了我们的指南和初步数据集。
2021-04-16 cs.CL
Event Causality Extraction with Event Argument Correlations
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Beijing University of Posts and Telecommunications(北京邮电大学)
事件因果关系识别是事件因果关系理解的一项重要任务,其目的是检测两个给定文本事件之间是否存在因果关系。然而,ECI任务忽略了关键的事件结构和因果因果关系分量信息,使其难以下游应用。在本文中,我们探讨了一个新的任务,即事件因果关系提取(ECE),旨在提取因果事件因果关系对与他们的结构化事件信息从纯文本。ECE任务更具挑战性,因为每个事件可以包含多个事件参数,在事件之间建立细粒度的相关性来决定因果事件对。因此,我们提出了一种方法与双网格标记计划捕捉内和事件间的论点相关性ECE。此外,我们设计了一个事件类型增强的模型架构,以实现双网格标记计划。实验证明了我们的方法的有效性,和广泛的分析指出了几个未来的方向ECE。
2023-01-27 cs.CL
ULTRA: Unleash LLMs' Potential for Event Argument Extraction through Hierarchical Modeling and Pair-wise Self-Refinement
Bloomberg(彭博公司)
本研究针对文档级事件论元抽取任务,提出层级框架ULTRA,结合成对自精炼与LEAFER方法,缓解大语言模型位置偏差与论元边界定位难题,性能较强基线提升9.8%。
2025-03-20 cs.CL
Document-Level Event Argument Extraction by Conditional Generation
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在IE社区中,事件提取一直被视为一项高级任务。我们认为,这种设置不符合人类的信息寻求行为,并导致不完整和无信息提取结果。我们提出了一个文件级神经事件参数提取模型,制定的任务作为条件生成事件模板。我们还编译了一个新的文档级事件提取基准数据集WikiEvents,其中包括完整的事件和共指注释。在参数提取的任务中,我们分别在RAMS和WikiEvents数据集上实现了7.6%F1和5.7%F1的绝对增益。在更具挑战性的任务,信息参数提取,这需要隐式共指推理,我们实现了9.3%的F1增益超过最佳基线。为了证明我们的模型的可移植性,我们还创建了第一个端到端的zero-shot事件提取框架,并实现了97%的完全监督模型的触发器提取性能和82%的参数提取性能,仅访问ACE上的33种类型中的10种。
2021-04-13 cs.CL
Enhancing Event-Level Sentiment Analysis with Structured Arguments
East China Normal University(华东师范大学);Shanghai Open University(上海开放大学)
以往的事件级情感分析(SA)研究通常将事件建模为主题、类别或目标词,而结构化的论点(例如,主题、对象、时间和位置)对情感具有潜在影响的因素没有得到很好的研究。在本文中,我们重新定义为结构化的事件级SA的任务,并提出了一个端到端的事件级情感分析($\textit{E}^{3}\textit{SA}$)的方法来解决这个问题。具体来说,我们明确地提取和模型的事件结构信息,以提高事件级SA。大量的实验表明,我们所提出的方法比国家的最先进的方法的巨大优势。注意到数据集的缺乏,我们还发布了一个大规模的真实世界的数据集,事件参数和情绪标签,以促进更多的研究\footnote{The dataset is available at https://github.com/zhangqi-here/E3SA}。
2022-05-31 cs.CL
Implicit Sensitive Text Summarization based on Data Conveyed by Connectives
King Saud University(沙特国王大学)
到目前为止,为了达到人类的能力,自动摘要的研究一直基于既有利又有限制的假设。这些限制包括:如何考虑和反映(在生成的摘要中)文本中传达的隐含信息,作者意图,读者意图,语境影响,一般世界知识。因此,如果我们希望机器模仿人类的能力,那么它们将需要获得同样大量的知识。隐性影响着文本的定位和论证,进而影响着文本的概括。大多数文本摘要器都是对原始数据进行压缩处理,必然会造成信息的丢失。TS只关注文本的特征,而不是作者的意图或读者为什么阅读文本。在本文中,我们解决这个问题,我们提出了一个系统,专注于获取知识是隐含的。本文重点分析了诸如:but、even、yet等议论性连接词所传达的隐含信息及其对摘要的影响。
2013-12-11 cs.CL
Generating Uncontextualized and Contextualized Questions for Document-Level Event Argument Extraction
Arizona State University(亚利桑那州立大学);University of Arizona(亚利桑那大学)
本文提出无需人工参与的多种问题生成策略,通过结合非语境化与语境化问题提升文档级事件论元提取性能,并验证了策略的跨语料库迁移能力。
2024-04-07 cs.CL
Multilingual Generative Language Models for Zero-Shot Cross-Lingual Event Argument Extraction
University of California, Los Angeles(加州大学洛杉矶分校);Information Science Institute, University of Southern California(南加州大学信息科学研究所)
我们提出了一个利用多语言预训练生成语言模型的zero-shot跨语言事件参数提取(EAE)的研究。通过将EAE公式化为语言生成任务,我们的方法有效地编码事件结构并捕获参数之间的依赖关系。我们设计了语言无关的模板来表示事件参数结构,这些模板与任何语言都兼容,从而促进了跨语言迁移。我们提出的模型微调多语言预训练的生成语言模型,以生成句子,这些句子用从输入段落中提取的参数填充语言不可知模板。该模型在源语言上进行训练,然后直接应用于目标语言以进行事件参数提取。实验表明,该模型优于当前最先进的zero-shot跨语言EAE模型。全面的研究和错误分析,以更好地了解使用生成语言模型的优势和当前的局限性zero-shot跨语言迁移EAE。
2022-03-15 cs.CL
Beyond Single-Event Extraction: Towards Efficient Document-Level Multi-Event Argument Extraction
University of Electronic Science and Technology of China(电子科技大学);National University of Singapore(新加坡国立大学);Singapore University of Social Sciences(新加坡社科大学)
针对单事件论元抽取效率低且忽视事件关联的问题,提出 DEEIA 模型,通过多事件提示及 DE、EIA 模块同时抽取文档级多事件论元,在四个数据集上达到最优并显著减少推理时间。
2024-06-16 cs.CL
Event Extraction by Associating Event Types and Argument Roles
事件抽取(EE)是从文本中获取结构化的事件知识,可以分为两个子任务:事件类型分类和元素抽取(即识别不同角色模式下的触发器和论元)。由于不同的事件类型总是拥有不同的提取模式(即,角色模式),以前的EE工作通常遵循一个孤立的学习范式,为不同的事件类型独立地执行元素提取。它忽略了事件类型和参数角色之间有意义的关联,导致不太频繁的类型/角色的性能相对较差。本文提出了一种新的神经联想框架EE任务。该算法首先通过构建文档级图来关联不同类型的句子节点,然后采用图注意力网络学习句子嵌入,从而实现对文档的类型分类。然后,通过建立一个通用的参数角色模式来实现元素提取,并使用参数继承机制来增强提取元素的角色偏好。因此,我们的模型在EE过程中考虑了类型和角色关联,从而实现了它们之间的隐式信息共享。实验结果表明,我们的方法始终优于最先进的EE方法在这两个子任务。特别地,对于具有较少训练数据的类型/角色,性能优于现有方法。
2022-08-18 cs.CL
Retrieval-Augmented Generative Question Answering for Event Argument Extraction
The University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
事件参数提取长期以来一直被研究为基于提取方法的顺序预测问题,孤立地处理每个参数。虽然最近的工作提出了基于生成的方法来捕获交叉参数依赖,他们需要生成和后处理一个复杂的目标序列(模板)。受这些观察和最近预训练语言模型从演示示教学习的能力的启发。我们提出了一个检索增强生成QA模型(R-GQA)的事件参数提取。它检索最相似的QA对,并将其作为当前示例上下文的提示符进行增强,然后将参数解码为答案。我们的方法在各种设置(即完全监督,域转移和少量学习)中的性能都大大优于以前的方法。最后,我们提出了一种基于聚类的采样策略(JointEnc),并深入分析了不同策略对少样本学习性能的影响。这些实现可在https://www.example.com上获得github.com/xinyadu/RGQA
2022-11-14 cs.CL
REGen: A Reliable Evaluation Framework for Generative Event Argument Extraction
Department of Computer Science, Dartmouth College(计算机科学系,达特茅斯学院)
针对精确匹配低估生成式事件论元抽取性能的问题,提出REGen评估框架,融合精确、宽松与基于LLM的匹配,在六个数据集上平均提升23.93 F1,与人类判断对齐度达87.67%。
2025-09-10 cs.CL
Event Extraction by Answering (Almost) Natural Questions
Cornell University(康奈尔大学)
事件提取问题需要检测事件触发器并提取其相应的参数。现有的工作在事件参数提取通常严重依赖于实体识别作为预处理/并发步骤,导致众所周知的错误传播的问题。为了避免这个问题,我们引入了一个新的范例,事件提取,制定它作为一个问答(QA)的任务,提取事件参数在一个端到端的方式。实证结果表明,我们的框架大大优于以前的方法;此外,它能够提取事件参数的角色没有看到在训练时(零样本学习设置)。
2021-02-04 cs.CL
Asking and Answering Questions to Extract Event-Argument Structures
Arizona State University(亚利桑那州立大学);University of Arizona(亚利桑那大学)
本文提出一种问答方法提取文档级事件-论元结构,结合模板与大语言模型生成问题,并开发句间关系数据增强策略,在RAMS数据集上取得优异结果。
2024-04-25 cs.CL
Annotation-Inspired Implicit Discourse Relation Classification with Auxiliary Discourse Connective Generation
Heidelberg Institute for Theoretical Studies gGmbH(海德堡理论研究所)
针对隐式话语关系分类缺连接词的难题,受PDTB标注启发提出端到端联合模型,结合计划采样生成连接词并预测关系,在三个基准上显著优于基线。
2023-06-10 cs.CL
GENEVA: Benchmarking Generalizability for Event Argument Extraction with Hundreds of Event Types and Argument Roles
University of California, Los Angeles(加州大学洛杉矶分校);University of Southern California(南加州大学)
本文通过将 FrameNet 转换为事件要素抽取本体,构建了含 115 种事件类型和 220 种论元角色的 GENEVA 基准,并评测六个模型,揭示非实体论元角色使最佳模型 F1 仅达 39%,为 EAE 泛化性研究提出新挑战。
2023-06-01 cs.CL
Event-Arguments Extraction Corpus and Modeling using BERT for Arabic
Birzeit University(比尔宰特大学)
本文构建了阿拉伯语事件-论元抽取语料库hadath,并提出基于BERT文本蕴含的事件关系抽取方法,取得94.01%的F1分数,还构建域外测试集testNLI验证泛化能力,并实现了端到端抽取系统。
2024-07-30 cs.CL
Few-Shot Document-Level Event Argument Extraction
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出少样本文档级事件论元抽取基准 FewDocAE,通过 N-Way-D-Doc 采样重构语料并调整现有文档级模型建立基线,揭示该任务在低资源场景下的挑战性。
2023-05-25 cs.CL
Bi-Directional Iterative Prompt-Tuning for Event Argument Extraction
Huazhong University of Science and Technology(华中科技大学)
近年来,提示微调在事件论元抽取中引起了越来越多的关注。然而,现有的提示微调方法由于缺乏对实体信息的考虑而没有取得令人满意的性能。在本文中,我们提出了一个双向迭代提示微调方法EAE,EAE任务被视为完形填空风格的任务,充分利用实体信息和预训练的语言模型(PLM)。此外,我们的方法探讨事件的论点相互作用,通过引入上下文实体的论点作用到提示建设。由于模板和动词化器是完形填空提示语中的两个重要组成部分,本文提出利用角色标签语义知识构造语义动词化器,并设计了三种模板用于EAE任务。ACE 2005英语数据集上的实验表明,该方法显着优于同行国家的最先进的方法。我们的代码可在https://github.com/HustMinsLab/BIP上获得。
2022-10-28 cs.CL
Schema-Constrained Document-Level Event Argument Extraction with Lightweight LLM Fine-Tuning
University of Naples Federico II(那不勒斯费德里科二世大学);University of Salerno(萨勒诺大学)
研究文档级模式约束事件论元抽取,结合角色集注入、参数高效监督微调及确定性解码后处理方法,使微调后的中型开放模型在MAVEN-ARG评估中优于GPT基线,最好模型在事件共指级别达42.39% F1值。
2026-07-21 cs.CL
Document-Level Event Extraction via Human-Like Reading Process
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Beijing University of Posts and Telecommunications(北京邮电大学)
文档级事件提取(DEE)特别棘手,因为它带来了两个挑战:分散参数和多事件。第一个挑战意味着一个事件记录的参数可以驻留在文档中的不同句子中,而第二个挑战反映了一个文档可以同时包含多个这样的事件记录。本文从人类阅读认知的角度出发,提出了一种基于文本事件的人类阅读启发提取器(Human Reading inspired Extractor for Document Events,HRE),该方法将文本事件分解为粗读和精读两个迭代阶段。具体而言,第一阶段浏览文档以检测事件的发生,第二阶段用于提取特定的事件参数。对于每一个具体的事件角色,精细阅读从句子到字符分层工作,以确定跨句子的论点,从而解决分散的论点问题。同时,通过多轮的粗读探索,发现未检测到的事件,从而解决了多事件问题。实验结果表明,HRE优于以往的竞争方法。
2022-02-07 cs.CL
Dynamic Global Memory for Document-level Argument Extraction
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
从新闻文章中提取事件的信息论元是信息抽取中一个具有挑战性的问题,它要求对每个文档有全局的上下文理解。虽然最近关于文档级提取的工作已经超越了单句,并增加了端到端模型的跨句推理能力,但它们仍然受到某些输入序列长度约束的限制,并且通常忽略事件之间的全局上下文。为了解决这个问题,我们引入了一个新的基于全局神经生成的框架,用于文档级事件参数提取,方法是构建一个文档内存存储来记录上下文事件信息,并利用它来隐式和显式地帮助解码后续事件的参数。实验结果表明,我们的框架大大优于以前的方法,它是更强大的对抗注释的例子与我们的约束解码设计。(Our代码和资源可在https://github.com/xinyadu/memory_docie上获得,以供研究之用。)
2022-09-18 cs.CL
EDeR: A Dataset for Exploring Dependency Relations Between Events
Australian National University(澳大利亚国立大学);Tencent AI lab(腾讯人工智能实验室)
本文提出了人工标注的EDeR数据集以探索事件间的依赖关系,并验证了识别该关系能提升事件抽取及共指消解等下游任务的准确性。
2023-04-04 cs.CL
Multi-task Learning for Japanese Predicate Argument Structure Analysis
Tokyo Metropolitan University(东京都立大学)
事件名词是具有类似于谓词的论元结构的名词。最近的作品,包括那些被认为是最先进的,忽略事件名词或建立一个单一的模型来解决日语谓词论元结构分析(PASA)和事件名词论元结构分析(ENASA)。然而,由于谓词和事件名词之间存在相互作用,因此仅针对谓词是不够的。为了解决这个问题,我们提出了一个多任务学习方法的PASA和ENASA。与单任务模型相比,我们的多任务模型通过共享每个任务的知识来提高两个任务的性能。此外,在PASA中,我们的模型在NAIST文本语料库上的总体F1分数方面取得了最先进的结果。此外,这是在ENASA中首次采用神经网络的工作。
2019-04-03 cs.CL
Enhancing Document-level Event Argument Extraction with Contextual Clues and Role Relevance
University of Electronic Science and Technology of China(电子科技大学)
针对文档级事件论元抽取中忽略非论元上下文线索和角色相关性的问题,提出SCPRG模型,通过STCP模块聚合线索词信息、RLIG模块捕获角色语义相关性,在RAMS和WikiEvents数据集上取得SOTA且具可解释性。
2023-10-20 cs.CL
Multi-Sentence Argument Linking
Johns Hopkins University(约翰斯·霍普金斯大学)
我们提出了一个新的文档级模型,以寻找参数跨度,填补了事件的角色,连接相关的想法,在文档级语义角色标注和共指消解。由于现有的跨句子链接数据集很小,我们的神经模型的开发是通过创建一个新的资源来支持的,该资源是跨多个句子的角色(RAMS),它包含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。
2020-05-09 cs.CL
One for All: Neural Joint Modeling of Entities and Events
Alt Inc.(阿尔特公司);University of Oregon(俄勒冈大学)
以前的事件提取工作主要集中在事件触发器和参数角色的预测上,将实体提及视为由人类注释者提供的。这是不现实的,因为实体提及通常由一些现有的工具包预测,这些工具包的错误可能会传播到事件触发器和参数角色识别。最近的工作很少通过联合预测实体提及,事件触发器和参数来解决这个问题。然而,这样的工作仅限于使用离散的工程特征来表示各个任务及其交互的上下文信息。在这项工作中,我们提出了一种新的模型,根据深度学习的共享隐藏表示,联合执行实体提及,事件触发器和参数的预测。实验证明了所提出的方法的好处,导致国家的最先进的事件提取性能。
2018-12-01 cs.CL
Is Structure Necessary for Modeling Argument Expectations in Distributional Semantics?
Aix-Marseille University(艾克斯-马赛大学);University of Pisa(比萨大学)
尽管有大量的NLP研究致力于主题匹配估计,很少有人注意到相关的任务,组成和更新动词的论点预期。少数例外情况主要是用结构化分布模型来模拟这种现象,隐含地假设了事件的类似结构化表示。然而,最近的实验证据表明,人类处理系统也可以利用非结构化的“参数袋”类型的事件表示来预测即将到来的输入。在本文中,我们重新实现了一个传统的结构化模型,并调整它来比较不同的假设结构的程度,在我们的事件知识,评估其相对性能的任务的参数期望更新。
2017-10-03 cs.CL
Rapid Customization for Event Extraction
Raytheon BBN Technologies(雷神BBN技术公司)
我们提出了一个系统,快速定制事件提取能力,找到新的事件类型和他们的参数。该系统允许用户通过探索未注释的语料库来查找、扩展和过滤新事件类型的事件触发器。然后,系统将自动生成提及级事件注释,并训练神经网络模型以查找相应的事件。此外,该系统使用ACE语料库来训练参数模型,用于为任何事件类型提取Actor、Place和Time参数,包括在其训练数据中未看到的参数。实验表明,在每个事件类型的人工工作时间不到10分钟的情况下,系统对67种新事件类型都取得了良好的性能。代码、文档和演示视频将在github.com上作为开源发布。
2018-09-20 cs.CL
Graph Transformer Networks with Syntactic and Semantic Structures for Event Argument Extraction
University of Oregon(俄勒冈大学);VinAI Research(越南人工智能研究院)
事件论元提取(EAE)的目标是找到给定事件触发词的每个实体提及的角色。在以前的工作中已经表明,句子的句法结构有助于EAE的深度学习模型。然而,在这样的现有工作的一个主要问题是,他们未能利用句子的语义结构,以诱导有效的表征EAE。因此,在这项工作中,我们提出了一种新的模型EAE,利用图Transformer网络(GTN)的句子的句法和语义结构,学习更有效的句子结构EAE。此外,我们引入了一种新的归纳偏差的基础上的信息瓶颈,以提高推广的EAE模型。进行了大量的实验,以证明所提出的模型的好处,导致国家的最先进的EAE标准数据集上的性能。
2020-10-26 cs.CL
Event Arguments Extraction via Dilate Gated Convolutional Neural Network with Enhanced Local Features
National University of Defense Technology(国防科技大学)
事件抽取在信息抽取中起着重要的作用。事件提取可以分为两个子任务:一个是事件触发器提取,另一个是事件参数提取。然而,事件参数提取的F-Score远低于事件触发器提取的F-Score,即在最近的工作中,事件触发器提取达到80.7%,而事件参数提取仅达到58%。在流水线结构中,事件参数提取的困难在于缺乏分类特征,计算量大。本文提出了一种基于多层扩张门控卷积神经网络(EE-DGCNN)的事件提取方法。此外,增强的本地信息被纳入到词的功能,分配事件参数角色的触发器预测的第一个子任务。数值实验表明,显着的性能改善超出了最先进的事件提取方法在现实世界的数据集。进一步分析了提取过程,并通过实验分析了影响性能提高的相关因素。
2020-06-02 cs.CL cs.LG
An AMR-based Link Prediction Approach for Document-level Event Argument Extraction
Fudan University(复旦大学);Amazon AWS AI(亚马逊AWS人工智能);Westlake University(西湖大学)
本文将文档级事件论元抽取重新表述为AMR图上的链接预测问题,提出定制化AMR图(TAG)压缩冗余信息并融入跨度与周围事件信息,结合图神经网络在WikiEvents和RAMS上以更少推理时间超越现有最优模型。
2023-05-30 cs.CL