MEE: A Novel Multilingual Event Extraction Dataset
University of Oregon（俄勒冈大学）；Adobe Research（奥多比研究院）
事件提取（EE）是信息抽取（IE）中的基本任务之一，其旨在识别事件提及及其论点（即，参与者）。由于其重要性，已经开发了广泛的方法和资源用于事件提取。然而，目前EE研究的一个局限性是对非英语语言的探索不足，其中缺乏用于模型训练和评估的高质量多语言EE数据集是主要障碍。为了解决这个问题，我们提出了一个新的多语言事件提取数据集（Multilingual Event Extraction dataset，简称MITR），它可以为8种不同类型的语言中超过50K的事件提供注释。全面注释实体提及、事件触发器和事件参数的数据。我们对建议的数据集进行了广泛的实验，以揭示多语言EE的挑战和机遇。
2022-11-17 cs.CL
A Scalable Cross-Domain Event Extraction System via a Unified Generative Training Framework
German Research Center for Artificial Intelligence（德国人工智能研究中心）；Carl von Ossietzky University of Oldenburg（奥尔登堡大学）
该研究针对现有事件抽取方法可扩展性与跨域泛化不足的问题，提出统一生成式序列到序列框架，微调预训练语言模型，构建支持多功能的网络应用平台，实现跨域事件抽取。
2026-08-25 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
Semi-Supervised Event Extraction with Paraphrase Clusters
University of Washington（华盛顿大学）
由于缺乏可用的训练数据，受监督的事件提取系统在其准确性方面受到限制。我们提出了一种自训练事件提取系统的方法，通过引导额外的训练数据。这是通过利用来自多个来源的新闻通讯文章中多次提到同一事件实例来实现的。如果我们的系统可以在这样的集群中对一些提及进行高置信度提取，那么它可以通过添加其他提及来获得不同的训练样本。我们的实验表明，在ACE 2005和TAC-KBP 2015数据集上，多个事件提取器的性能得到了显着提高。
2018-08-26 cs.CL
EventGraph at CASE 2021 Task 1: A General Graph-based Approach to Protest Event Extraction
University of Oslo（奥斯陆大学）；University of Bergen（卑尔根大学）
本文介绍了我们对2022年版CASE 2021共享任务1，子任务4的提交。EventGraph系统使端到端的、基于图的语义解析器适应抗议事件提取的任务，更具体地，适应关于事件触发器和参数提取的子任务4。我们用各种图进行实验，将事件编码为“标记边缘”或“以节点为中心”的图。我们表明，“以节点为中心”的方法产生最好的结果整体上，表现良好的三种语言的任务，即英语，西班牙语和葡萄牙语。EventGraph在英语和葡萄牙语中排名第三，在西班牙语中排名第四。我们的代码可在：https://github.com/huiling-y/eventgraph_at_case
2022-10-18 cs.CL
External Evaluation of Event Extraction Classifiers for Automatic Pathway Curation: An extended study of the mTOR pathway
本文评估了各种事件提取系统对自动路径策展使用流行的mTOR途径的影响。我们量化了训练数据集以及不同的机器学习分类器的影响，并表明有些分类器提高了自动提取路径的质量。
2017-07-07 cs.CL
COFFEE: A Contrastive Oracle-Free Framework for Event Extraction
University of Cambridge（剑桥大学）；University of Glasgow（格拉斯哥大学）
本文提出COFFEE框架，通过对比选择模型在仅给定文本上下文的无预言设定下纠正触发词并处理多事件，在ACE05上超越现有方法。
2024-09-03 cs.CL
Prompt-based Graph Model for Joint Liberal Event Extraction and Event Schema Induction
Peking University School of Software（北京大学软件学院）
提出基于提示的图模型PGLEE，联合进行自由事件抽取与事件模式归纳，无需预定义模式即可高效抽取事件并发现高质量模式。
2024-03-19 cs.CL
Probing and Fine-tuning Reading Comprehension Models for Few-shot Event Extraction
Georgia Institute of Technology（佐治亚理工学院）；Tsinghua University（清华大学）
我们研究从文本数据中提取事件的问题，这需要检测目标事件类型及其参数。通常，事件检测和参数检测子任务都被公式化为监督序列标记问题。我们认为，这样训练的事件提取模型本质上是标签饥饿，并可以推广到不同领域和文本体裁差。我们提出了一个阅读理解框架的事件提取。具体来说，我们制定了事件检测作为一个文本蕴涵预测问题，和参数检测作为一个问题回答问题。通过构造合适的查询模板，我们的方法可以有效地从预训练的阅读理解模型中提取丰富的任务和标签语义知识。此外，我们的模型可以用少量数据进行微调，以提高其性能。我们的实验结果表明，我们的方法表现强劲的zero-shot和Few-Shot事件提取，它达到了最先进的性能ACE 2005基准训练时，完全监督。
2020-10-21 cs.CL
Title2Event: Benchmarking Open Event Extraction with a Large-scale Chinese Title Dataset
Tencent（腾讯）；HKUST（香港科技大学）；Tsinghua University（清华大学）；USTC（中国科学技术大学）
事件抽取对于后续的事件聚合、事件知识图谱构建等任务至关重要。大多数现有的EE数据集手动定义固定的事件类型，并为每个事件设计特定的模式，未能涵盖在线文本中出现的各种事件。此外，新闻标题作为事件提及的重要来源，在当前的EE研究中没有得到足够的重视。在本文中，我们提出了Title2Event，一个大规模的事件级数据集基准开放事件提取，而不限制事件类型。Title2Event包含从中文网页收集的34个主题的42，000多个新闻标题。据我们所知，它是目前最大的手动标注的中文开放事件提取数据集。通过对不同模型下的Title2Event进行实验，发现标题的特点使得事件抽取具有挑战性，并提出了进一步研究该问题的意义。数据集和基线代码可在https://open-event-hub.github.io/title2event上获得。
2022-11-02 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
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
Are Triggers Needed for Document-Level Event Extraction?
Cornell University（康奈尔大学）
本文首次探讨触发词在文档级事件抽取中的作用，发现系统是否受益于显式抽取触发词取决于数据集特征和任务特定信息，且触发词的存在对基于提示的上下文学习至关重要。
2025-06-26 cs.CL
RAAT: Relation-Augmented Attention Transformer for Relation Modeling in Document-Level Event Extraction
Tencent Cloud（腾讯云）
在文档级事件抽取（DEE）任务中，事件论元通常分散在句子中（跨句子问题），多个事件可能位于一个文档中（多事件问题）。在本文中，我们认为，事件参数的关系信息是解决上述两个问题的重要意义，并提出了一个新的DEE框架，它可以建模的关系依赖，称为扩展文档级事件提取（ReDEE）。更具体地说，这个框架的特点是一个新的和定制的Transformer，命名为增强注意力的Transformer（RAAT）。RAAT是可扩展的，以捕获多尺度和多数量的参数关系。为了进一步利用关系信息，我们引入了一个单独的事件关系预测任务，并采用多任务学习方法来显式地提高事件提取性能。大量的实验表明，该方法的有效性，它可以实现最先进的性能在两个公共数据集。我们的代码可以在https：//github上找到。com/YoutuResearch/RAAT.
2022-06-07 cs.CL
An Annotated Commodity News Corpus for Event Extraction
Monash University（莫纳什大学）
商品新闻包含了丰富的信息，如最近的商品价格走势和导致运动的显着事件的摘要。通过事件抽取，从商品新闻中提取出有用的信息，挖掘事件与商品价格走势之间的因果关系，可以用于商品价格预测。为了方便今后的研究，我们引入了一个新的数据集，其中包含以下信息：（i）实体（包括命名和命名），（ii）事件（触发词和论元角色），（iii）事件元数据：模态、极性和强度，（iv）事件-事件关系。
2021-08-25 cs.CL
Explicit, Implicit, and Scattered: Revisiting Event Extraction to Capture Complex Arguments
Dartmouth College（达特茅斯学院）
本研究针对现有事件抽取仅处理显式连续论元的局限，提出隐式与分散式两类复杂论元，构建了含7464条标注的健康领域数据集DiscourseEE，并将论元抽取建模为生成任务，评估了现有模型并指出挑战。
2024-10-04 cs.CL
Open Domain Event Extraction Using Neural Latent Variable Models
Beijing Institute of Technology（北京理工大学）；Zhejiang Lab（之江实验室）；Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）
我们考虑开放域事件提取，从新闻集群中提取无约束类型的事件的任务。构造了一种新的隐变量神经网络模型，该模型可扩展到非常大的语料库。收集数据集并手动注释，设计特定于任务的评估指标。结果表明，所提出的无监督模型提供了更好的性能相比，国家的最先进的事件模式归纳方法。
2019-06-17 cs.CL
Jointly Multiple Events Extraction via Attention-based Graph Information Aggregation
Beijing Institute of Technology（北京理工大学）；PLA Academy of Military Science（中国人民解放军军事科学院）
事件抽取在自然语言处理中具有实用价值。在现实世界中，同一个句子中存在多个事件是一种常见的现象，提取多个事件比提取单个事件要困难得多。以往的工作中建模的事件之间的关联的顺序建模方法遭受了很多的低效率捕获非常长的范围内的依赖关系。在本文中，我们提出了一种新的联合多事件提取（JAPAN）框架，通过引入语法捷径弧来增强信息流和基于注意力的图卷积网络来建模图信息，从而联合提取多个事件触发器和参数。实验结果表明，我们提出的框架取得了竞争力的结果相比，国家的最先进的方法。
2018-10-23 cs.CL
EAGER: Enhancing Generative Event Extraction via Reinforcement Learning with Verifiable Rewards
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Carl von Ossietzky Universität Oldenburg（卡尔·冯·奥西茨基奥尔登堡大学）
针对大型语言模型端到端事件抽取的挑战，提出EAGER框架，结合细粒度可验证奖励与模式对比优势估计，在七个基准数据集上显著优于现有方法，提升结构化抽取性能。
2026-09-25 cs.CL
Joint Event Extraction via Structural Semantic Matching
Peking University（北京大学）
本文提出JSSM模型，利用STE和DSE编码事件类型语义并进行结构匹配，通过双向注意力联合完成事件检测与论元抽取，在ACE2005上显著提升性能。
2023-06-06 cs.CL
CMNEE: A Large-Scale Document-Level Event Extraction Dataset based on Open-Source Chinese Military News
National University of Defense Technology（国防科技大学）；Southeast University（东南大学）；Tsinghua University（清华大学）
针对军事文本事件抽取的数据稀缺问题，提出大规模文档级中文军事新闻事件抽取数据集CMNEE，含17,000文档和29,223事件，实验表明该领域任务更具挑战性。
2024-04-18 cs.CL
Financial Event Extraction Using Wikipedia-Based Weak Supervision
IBM Research（IBM研究院）
从文本中提取金融和经济事件以前主要使用基于规则的方法，最近的工作采用机器学习技术。这项工作符合后一种方法，利用维基百科的相关章节为描述经济事件的句子提取弱标签。而以前的弱监督的方法需要这样的事件的知识库，或相应的财务数字，我们的方法不需要这样的额外的数据，并可以用来提取经济事件相关的公司，甚至没有提到的训练数据。
2022-11-28 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
Zero-Shot Transfer Learning for Event Extraction
Rensselaer Polytechnic Institute（伦斯勒理工学院）；New York University（纽约大学）；US Army Research Lab（美国陆军研究实验室）
大多数以前的事件提取研究严重依赖于来自注释事件提及的功能，因此不能应用于新的事件类型没有注释的努力。在这项工作中，我们重新审视事件提取，并将其建模为接地问题。我们设计了一个可转移的神经架构，映射事件提到和类型联合到一个共享的语义空间，使用结构和组合神经网络，其中每个事件提到的类型可以确定的所有候选类型中最接近的。通过利用（1）~现有事件类型的小集合的可用手动注释和（2）~现有事件本体，我们的框架适用于新的事件类型，而不需要额外的注释。对两种现有事件类型（例如，ACE、ERE）和新事件类型（例如，FrameNet）展示了我们方法的有效性。\textit{Without any manual annotations}的23个新的事件类型，我们的zero-shot框架实现了性能相当于一个国家的最先进的监督模型，这是从500个事件提到的注释训练。
2017-07-04 cs.CL
COVID-19 event extraction from Twitter via extractive question answering with continuous prompts
University of Kentucky（肯塔基大学）
随着COVID-19肆虐全球，社交媒体分析可以增强传统调查，以评估疫情如何演变，并捕捉消费者的聊天记录，帮助医疗机构应对疫情。这通常涉及挖掘披露事件，这些事件提到疾病检测呈阳性，或围绕预防或治疗方案的看法和信念进行讨论。2020年COVID-19事件提取的共享任务（作为EMNLP会议期间W-NUT研讨会的一部分进行）引入了一个新的Twitter数据集，用于对COVID-19推文中的事件提取进行基准测试。在本文中，我们铸造的事件提取的问题提取问答使用连续提示语言模型的最新进展。在共享任务测试数据集上，我们的方法在所有COVID-19事件插槽中导致超过5%的绝对微平均F1分数比之前的最佳结果提高。我们的消融研究表明，连续提示对最终性能有重大影响。
2023-03-22 cs.CL
Contextualized Word Embeddings Enhanced Event Temporal Relation Extraction for Story Understanding
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）
学习事件之间的因果关系和时间关系是深入了解故事和常识的重要一步。虽然有丰富的数据集与事件关系的故事理解，许多没有经验的结果与他们相关联。在这项工作中，我们建立了强大的基线事件的时间关系抽取两个欠开发的故事叙事数据集：丰富的事件描述（RED）和因果和时间关系计划（CaTeRS）。据我们所知，这是在这两个数据集上报告的第一个结果。我们证明了基于神经网络的模型可以优于一些强大的传统的基于语言特征的模型。我们还进行了比较研究，以显示的贡献，采用语境化的词嵌入（BERT）的事件时间关系抽取的故事。提供详细的分析，以更好地了解结果。
2019-04-26 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
From Discourse to Narrative: Knowledge Projection for Event Relation Extraction
University of Chinese Academy of Sciences（中国科学院大学）；Tencent Inc.（腾讯公司）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
当前以事件为中心的知识图谱高度依赖显式连接词来挖掘事件之间的关系。不幸的是，由于连接词的稀疏性，这些方法严重破坏了EventKG的覆盖率。缺乏高质量的标注语料库进一步加剧了这一问题。在本文中，我们提出了一个知识投射范式的事件关系抽取：投射语篇知识的叙述，利用它们之间的共性。具体来说，我们提出了多层知识投影网络（MKPNet），它可以有效地利用多层话语知识的事件关系抽取。通过这种方式，标记的数据需求显着减少，并且可以有效地提取隐含的事件关系。内部实验结果表明，MKPNet实现了新的国家的最先进的性能，和外部实验结果验证了提取的事件关系的价值。
2021-06-16 cs.CL
Chinese Event Extraction Using DeepNeural Network with Word Embedding
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
大量关于事件提取的先前工作已经利用各种特征来表示事件。这种方法有几个缺点：1）特征通常是特定于特定领域的，并且不能很好地概括; 2）特征是从各种语言分析中导出的，并且容易出错;以及3）一些特征可能是昂贵的，并且需要领域专家。在本文中，我们开发了一个中文事件提取系统，使用词嵌入向量来表示语言，和深度神经网络学习的抽象特征表示，以大大减少特征工程的努力。此外，在这个框架中，我们利用大量的未标记的数据，这可以解决有限的标记语料的问题，这项任务。实验结果表明，与使用丰富语言特征的系统相比，我们提出的方法性能更好，并且使用未标记数据有利于词嵌入。这项研究表明DNN和词嵌入在事件提取任务中的潜力。
2016-10-04 cs.CL
Adaptive Schema-aware Event Extraction with Retrieval-Augmented Generation
Huawei Noah’s Ark Lab（华为诺亚实验室）；University of Science and Technology of China（中国科学技术大学）
针对事件抽取中模式僵化及缺乏联合评估基准的问题，提出结合模式释义与检索增强生成的ASEE范式，并构建整合12个数据集的MD-SEE基准，显著提升跨场景事件抽取准确性。
2025-05-13 cs.CL
Extracting Temporal and Causal Relations between Events
University of Trento（特伦托大学）；Università degli Studi di Trento（特伦托大学）
从时间信息处理中得到的结构化信息对于各种自然语言处理任务是至关重要的，例如从新闻文档中生成事件的时间轴摘要，或者回答关于某些事件的时间/时间相关问题。在这篇论文中，我们提出了一个整合时间和因果关系抽取系统的架构。我们首先为每种类型的关系，即时间顺序和因果关系开发了一个强大的提取组件。然后，我们结合这两个提取组件到一个集成的关系抽取系统，CATENA-因果和时间关系抽取从自然语言文本-，利用因果关系中的事件优先的假设，即导致事件必须发生在结果事件之前。本文还讨论了改进关系抽取系统的资源和技术，包括词嵌入和训练数据扩展。最后，我们报告我们的适应努力的时间信息处理的语言以外的英语，即意大利语和印尼语。
2016-04-27 cs.CL
Reading the Manual: Event Extraction as Definition Comprehension
Johns Hopkins University（约翰霍普金斯大学）；University of Rochester（罗切斯特大学）
我们问文本的理解是否已经进展到我们可以通过从注释手册中提取事件信息的增量细化漂白语句。这样的能力将允许预期的最终用户通过诸如“某人在某个时间出生在某个地点”之类的声明来简单地构造和扩展提取框架。“我们介绍了一个使用这种语句的模型的例子，实验表明我们可以在封闭的本体下提取事件，并通过阅读新的定义来概括看不见的事件类型。
2020-10-23 cs.CL
Boosting Event Extraction with Denoised Structure-to-Text Augmentation
Beijing Institute of Technology（北京理工大学）；Ministry of Industry and Information Technology（工业和信息化部）；Beijing University of Technology（北京工业大学）；Baidu Inc.（百度公司）
针对事件抽取数据稀缺及现有数据增强存在语法错误、结构错位和语义漂移的问题，提出去噪结构到文本增强框架DAEE，结合知识生成模型与深度强化学习筛选有效数据，提升了文本多样性与性能。
2023-05-16 cs.CL
Weak Reward Model Transforms Generative Models into Robust Causal Event Extraction Systems
King’s College London（伦敦国王学院）；The Alan Turing Institute（阿兰·图灵研究所）
针对因果事件抽取评估指标不佳的问题，训练评估模型近似人工评估并用于强化学习对齐人类偏好，提出弱到强监督方法减少标注依赖并保持高性能。
2024-06-27 cs.CL
Exploring the Feasibility of ChatGPT for Event Extraction
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Paradigm. Inc.（第四范式公司）；HKUST（香港科技大学）
事件抽取是自然语言处理中的一项基本任务，涉及识别和抽取文本中提到的事件的信息。然而，这是一个具有挑战性的任务，由于缺乏注释的数据，这是昂贵的和耗时的获得。大语言模型（LLM）的出现，如ChatGPT，提供了一个机会，可以通过简单的提示来解决语言任务，而不需要特定于任务的数据集和微调。虽然ChatGPT在机器翻译、文本摘要和问答等任务中表现出了令人印象深刻的结果，但在用于事件提取等复杂任务时，它会带来挑战。与其他任务不同，事件提取要求为模型提供一组复杂的指令，定义所有事件类型及其模式。为了探索ChatGPT用于事件提取的可行性及其带来的挑战，我们进行了一系列实验。我们的研究结果表明，ChatGPT在长尾和复杂场景中的性能平均只有EEQA等特定任务模型的51.04%。我们的可用性测试实验表明，ChatGPT不够健壮，提示的持续改进不会带来稳定的性能改进，这可能导致较差的用户体验。此外，ChatGPT对不同的提示风格高度敏感。
2023-03-09 cs.CL
A Multi-Domain and Multi-Task Generative Framework with Explicit Task and Domain Conditioning for Cross-Domain Event Extraction
German Research Center for Artificial Intelligence（德国人工智能研究中心）；Carl von Ossietzky University of Oldenburg（奥尔登堡卡尔·冯·奥西茨基大学）
该研究针对跨领域事件抽取难题，提出带显式任务与领域条件的多领域多任务生成框架，通过结合领域条件信号与任务提示实现动态适配，在基准测试中取得了竞争力的性能与跨领域泛化能力。
2026-08-25 cs.CL
PESE: Event Structure Extraction using Pointer Network based Encoder-Decoder Architecture
IIT Kharagpur（印度理工学院克勒格布尔分校）
事件抽取（EE）的任务是从文本中发现事件和与事件相关的论元信息，并以结构化的格式表示它们。以前的大多数工作都试图通过分别识别多个子结构并将其聚合以获得完整的事件结构来解决这个问题。这些方法的问题在于，它无法识别事件参与者（事件触发器、参数和角色）之间的所有相互依赖关系。在本文中，我们表示每个事件记录在一个唯一的元组格式，包含触发短语，触发类型，参数短语，和相应的角色信息。我们提出的基于指针网络的编码器-解码器模型通过利用事件参与者之间的交互在每个时间步生成事件元组，并为EE任务提供真正的端到端解决方案。我们评估我们的模型在ACE 2005数据集，实验结果表明，我们的模型的有效性，通过实现竞争力的性能相比，国家的最先进的方法。
2022-11-22 cs.CL
Document-Level Multi-Event Extraction with Event Proxy Nodes and Hausdorff Distance Minimization
University of Warwick（华威大学）；King’s College London（伦敦国王学院）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出利用事件代理节点捕获多事件全局依赖，并通过直接最小化豪斯多夫距离训练模型，在提升文档级多事件抽取F1分数的同时大幅减少训练时间。
2023-05-30 cs.CL
JSEEGraph: Joint Structured Event Extraction as Graph Parsing
University of Oslo（奥斯陆大学）；University of Bergen（卑尔根大学）
提出基于图解析的事件抽取框架JSEEGraph，在单图中联合编码实体、关系与事件并支持嵌套结构，端到端联合推断有效避免错误传播，在多语言基准上显著提升抽取性能。
2023-06-26 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
OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction
Wuhan University（武汉大学）；National University of Singapore（新加坡国立大学）；University of São Paulo（圣保罗大学）
事件抽取是信息抽取的一项重要任务，其目的是从非结构化文本中抽取结构化的事件信息。以往的工作主要集中在提取平面事件，而忽略了重叠或嵌套的。一些重叠和嵌套EE的模型包括几个连续的阶段来提取事件触发器和参数，这会受到错误传播的影响。因此，我们设计了一个简单而有效的标记方案和模型来制定EE作为词-词关系识别，称为OneEE。触发词或参数词之间的关系在一个阶段中同时识别，并行网格标记，从而产生非常快的事件提取速度。该模型配备了一个自适应事件融合模块，以产生事件感知的表示和距离感知的预测器，以整合相对距离信息的词-词关系识别，这是经验证明是有效的机制。在FewFC、Genia 11和Genia 13三个重叠嵌套的EE基准测试上的实验表明，OneEE达到了最先进的（SOTA）结果。此外，OneEE的推理速度比相同条件下的基线更快，并且由于它支持并行推理，因此可以进一步大幅提高。
2022-09-06 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
Writing Style Aware Document-level Event Extraction
Central University of Finance and Economics（中央财经大学）
事件抽取技术是一种旨在从文档中自动提取结构化信息的技术，在各个领域受到了越来越多的关注。现有的大多数工作讨论了这个问题的令牌级多标签分类框架区分令牌作为不同的角色，而忽略了文档的写作风格。写作风格是文档内容组织的一种特殊方式，在具有特定领域的文档（如金融、医疗文档等）中，写作风格是相对固定的。我们认为，写作风格包含了重要的线索，判断令牌的作用和忽视这些模式可能会导致现有的作品的性能下降。为此，我们将文档中的写作风格建模为参数角色的分布，即，角色等级分布的事件抽取模型，并提出了一种基于角色等级分布的监督机制，通过事件抽取任务的监督训练过程来捕捉这种模式。我们将我们的模型与几个真实世界数据集上的最先进方法进行了比较。实证结果表明，我们的方法优于其他替代方案与捕获的模式。这验证了书写风格包含有价值的信息，可以提高事件提取任务的性能。
2022-01-10 cs.CL
Probing Representations for Document-level Event Extraction
Cornell University（康奈尔大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文首次将探查范式应用于文档级信息抽取，设计了八个嵌入探针分析三种基于LLM的IE方法在标准数据集上的表示，发现训练好的编码器能适度改善论元检测和标注，但在事件级任务、连贯性及跨句子语篇处理上仍面临困难。
2023-10-23 cs.CL
From POS tagging to dependency parsing for biomedical event extraction
The University of Melbourne（墨尔本大学）
背景资料：鉴于从生物医学研究出版物中提取关系或事件以支持知识捕获和合成的重要性，以及该信息抽取任务对句法信息的强烈依赖性，了解哪些方法对生物医学文本的句法处理具有最高性能是有价值的。结果如下：我们在两个基准生物医学语料库GENIA和CRAFT上进行了一项实证研究，比较了最先进的传统基于特征的模型和基于神经网络的模型，用于词性（POS）标记和依存句法分析这两个核心自然语言处理任务。据我们所知，最近没有在生物医学背景下进行这种比较的工作;具体来说，没有对这些数据的神经模型进行详细分析。实验结果表明，在一般情况下，神经模型优于基于特征的模型在两个基准生物医学语料库GENIA和CRAFT。我们还进行了面向任务的评估，以调查这些模型在下游应用程序的生物医学事件提取的影响，并表明，更好的内在解析性能并不总是意味着更好的外在事件提取性能。结论：我们已经提出了一个详细的实证研究比较传统的基于特征的和基于神经网络的模型的POS标记和依存句法分析在生物医学的背景下，还调查了分析器的选择的生物医学事件提取下游任务的影响。数据和材料的可用性：我们在https://github.com/datquocnguyen/BioPosDep上提供重新训练的模型
2019-01-02 cs.CL
A Structure-aware Generative Model for Biomedical Event Extraction
University of Hawaii at Manoa（夏威夷大学马诺阿分校）；Nanyang Technological University（南洋理工大学）
针对现有生成式生物医学事件抽取模型忽略复杂事件结构跨实例信息的问题，提出结构感知生成模型GenBEE，通过事件提示和结构前缀提示融合语义与结构特征，在多个基准上取得优异性能。
2025-02-21 cs.CL
CMNIE: An Information Extraction Benchmark for Chinese Military News
Laboratory for Big Data and Decision, National University of Defense Technology（国防科技大学大数据与决策实验室）
CMNIE是面向中文军事新闻的联合信息抽取基准，含13,000实例，标注事件、参数、实体和关系，评估显示关系抽取和精确跨度匹配仍具挑战性。
2026-09-11 cs.CL
Open-domain Event Extraction and Embedding for Natural Gas Market Prediction
University of Bonn（波恩大学）；Farfetch（Farfetch公司）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）
我们提出了一种方法来预测天然气价格在几天内使用历史价格数据和事件提取的新闻标题。大多数以前的方法将价格视为可外推的时间序列，那些分析价格和新闻之间关系的方法要么将价格数据相应地修剪到公共新闻数据集，手动注释标题或使用现成的工具。与现成的工具相比，我们的事件提取方法不仅可以检测到现象的发生，还可以检测到公共来源的属性和特征的变化。我们没有使用句子嵌入作为特征，而是使用提取事件的每个单词，在输入学习模型之前对其进行编码和组织。实证结果表明，有利的结果，在预测性能，节省资金和可扩展性。
2019-12-08 cs.CL
Challenges and Applications of Automated Extraction of Socio-political Events from Text (CASE 2023): Workshop and Shared Task Report
KNAW Humanities Cluster（荷兰皇家艺术与科学院人文集群）；European Commission（欧盟委员会）；Koc University（科奇大学）；Virginia Tech（弗吉尼亚理工大学）；National University of Singapore（新加坡国立大学）
本文总结第六届CASE研讨会，介绍其在RANLP 2023中的论文、主题演讲及共享任务，涵盖文本与多模态事件信息收集，推动跨领域事件提取研究进展。
2023-12-02 cs.CL
Entity, Relation, and Event Extraction with Contextualized Span Representations
University of Washington（华盛顿大学）；Google AI Language（谷歌AI语言团队）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
我们研究了一个统一的，多任务的框架，三个信息抽取任务的能力：命名实体识别，关系抽取，和事件提取。我们的框架（称为DyGIE++）通过枚举，精炼和评分旨在捕获本地（句子内）和全球（跨句子）上下文的文本跨度来完成所有任务。我们的框架在来自各个领域的四个数据集上实现了所有任务的最先进结果。我们进行实验比较不同的技术来构建跨度表示。像BERT这样的上下文嵌入在捕获相同或相邻句子中的实体之间的关系方面表现良好，而动态跨度图更新则对长范围的跨句子关系进行建模。例如，通过预测的共指链接传播跨度表示可以使模型能够消除具有挑战性的实体提及的歧义。我们的代码可在https://github.com/dwadden/dygiepp上公开获取，并且可以轻松地适应新任务或数据集。
2019-09-10 cs.CL
Scale Up Event Extraction Learning via Automatic Training Data Generation
Peking University（北京大学）；Lancaster University（兰卡斯特大学）；Institute of Scientific and Technical Information of China（中国科学技术信息研究所）
事件抽取的任务长期以来一直在监督学习范式中进行研究，该范式受到训练实例的数量和质量的约束。现有的训练数据必须通过专家领域知识和广泛的人工参与的组合来手动生成。然而，由于注释文本所需的大量工作，结果数据集通常很小，这严重影响了学习模型的质量，使其难以推广。我们的工作开发了一种自动生成事件提取训练数据的方法。我们的方法允许我们将事件提取训练实例从数千扩展到数十万，并且它的成本比手动方法低得多。我们实现了这一点，通过采用远程监督，自动创建事件注释从未标记的文本使用现有的结构化知识库或表。然后，我们开发了一个神经网络模型与后推理转移的知识提取结构化知识库自动标注类型化事件与相应的参数在文本中。我们评估我们的方法，使用从Freebase提取的知识标记文本从维基百科的文章。实验结果表明，该方法可以生成大量高质量的训练实例。我们表明，这种大量的训练数据不仅导致更好的事件提取器，而且还允许我们检测多个类型的事件。
2017-12-11 cs.CL
Generalizing through Forgetting -- Domain Generalization for Symptom Event Extraction in Clinical Notes
University of Washington（华盛顿大学）；George Mason University（乔治梅森大学）
症状信息主要记录在自由文本临床笔记中，下游应用程序无法直接访问。为了应对这一挑战，需要能够处理不同机构和专业的临床语言差异的信息抽取方法。在本文中，我们提出了领域泛化的症状提取使用预训练和微调数据，从目标领域的机构和/或专业和患者人群。我们使用基于transformer的联合实体和关系抽取方法提取症状事件。为了减少对特定领域特征的依赖，我们提出了一种领域泛化方法，该方法动态地屏蔽源领域中的频繁症状词。此外，我们在任务相关的未标记文本上预训练Transformer语言模型（LM），以获得更好的表示。我们的实验表明，掩蔽和自适应预训练方法可以显着提高性能时，源域更远离目标域。
2023-02-23 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
Revisiting Prompt Optimization with Large Reasoning Models-A Case Study on Event Extraction
George Mason University（乔治·马歇尔大学）
本研究以事件抽取为案例，系统验证了大型推理模型（如DeepSeek-R1和o1）仍需提示优化，且作为优化器效果更佳，并推广至其他任务，同时分析了其常见错误与稳定性。
2025-10-16 cs.CL
