Calibrated Typed Decisions for Entity, Relation, and Event Extraction
University of Manchester（曼彻斯特大学）；Mayo Clinic（梅奥诊所）；Shanghai University of Finance and Economics（上海财经大学）
本文提出0.6B参数的统一模型CalOn，联合编码文本与类型定义完成实体、关系、事件等抽取任务，在40个基准测试中优于多数基线，校准后置信度估计提升且F1几乎无变化。
2026-10-14 cs.AI cs.CL
Attack Named Entity Recognition by Entity Boundary Interference
Shanghai Jiao Tong University（上海交通大学）
本文提出虚拟边界攻击（ViBA），通过插入实体边界干扰NER模型的决策，以单次词修改实现高效攻击，在英中模型上成功率70%-90%。
2023-05-09 cs.CL
Biomedical Event Trigger Identification Using Bidirectional Recurrent Neural Network Based Models
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
生物医学事件描述了各种生物医学实体之间的复杂相互作用。事件触发器是一个词或短语，通常表示事件的发生。事件触发器识别是所有事件提取方法中重要的第一步。然而，目前的许多方法要么依赖于复杂的手工制作的功能，要么只考虑窗口内的功能。在本文中，我们提出了一种利用循环神经网络（RNN）来提取句子中存在的更高级别特征的方法。因此，RNN的隐藏状态表示以及作为特征的单词和实体类型嵌入避免了依赖于使用各种NLP工具包生成的复杂手工特征。我们的实验已经表明，实现国家的最先进的F1评分的多级事件提取（MLEE）语料库。我们还对结果进行了分类分析，并讨论了触发识别任务中各种特征的重要性。
2017-05-26 cs.CL
Iteratively Improving Biomedical Entity Linking and Event Extraction via Hard Expectation-Maximization
Virginia Tech（弗吉尼亚理工大学）
本文提出联合生物医学实体链接与事件抽取方法，通过硬期望最大化将事件结构和实体引用作为隐变量，在Genia 2011和BC4GO数据集上显著优于基线并改进单项任务表现。
2023-05-24 cs.CL
Deceptive Grounding: Entity Attribution Failure in Clinical Retrieval-Augmented Generation
Lunit（鲁尼特）
研究临床检索增强生成中的欺骗性基础问题，通过对13个模型测试发现DG率8%-87%，医学等微调模型高达86.7%。控制消融确定机制，实体归因验证可检测DG，现有框架未实施，为该领域研究提供新视角和方法。
2026-07-13 cs.AI cs.CL cs.LG
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
Incorporating Class-based Language Model for Named Entity Recognition in Factorized Neural Transducer
Shanghai Jiao Tong University（上海交通大学）；Institute of Acoustics, CAS（中国科学院声学研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Alibaba Group（阿里巴巴集团）
本文提出C-FNT模型，将基于类别的语言模型融入因子化神经转换器，通过关联名称类别而非表面形式来提升语音识别中的命名实体识别性能，在不损害普通词识别的前提下显著降低命名实体错误。
2024-06-08 cs.CL cs.SD eess.AS
Dialogue Relation Extraction with Document-level Heterogeneous Graph Attention Networks
Singapore University of Technology and Design（新加坡科技设计大学）
对话关系抽取（DRE）的目的是检测在多方对话中提到的两个实体之间的关系。它对于从互联网上日益丰富的会话数据中构建知识图谱，促进智能对话系统的发展具有重要作用。先前的DRE方法并没有有意义地利用说话人信息，它们只是在话语前面加上各自的说话人名字。因此，他们未能模拟关键的说话人之间的关系，可能会通过代词和触发器提供额外的上下文相关的论点实体。然而，我们提出了一个基于图注意力网络的方法DRE的图，其中包含有意义的连接扬声器，实体，实体类型，和话语节点，构建。该图被馈送到图注意力网络，用于在相关节点之间进行上下文传播，从而有效地捕获对话上下文。我们的经验表明，这种基于图的方法非常有效地捕捉了对话中不同实体对之间的关系，因为它在基准数据集DialogRE上的表现明显优于最先进的方法。我们的代码发布于：https://github.com/declare-lab/dialog-HGAT
2021-06-20 cs.CL
Cross-Supervised Joint-Event-Extraction with Heterogeneous Information Networks
Central University of Finance and Economics（中央财经大学）；Huazhong University of Science and Technology（华中科技大学）；University of York（约克大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；iFLYTEK（科大讯飞）
联合事件提取，其提取结构信息（即，实体或事件的触发器），在自然语言处理中引起了越来越多的研究关注。大多数现有的工作没有完全解决实体和触发器之间的稀疏共现关系，这丢失了这一重要信息，从而降低了提取性能。为了缓解这个问题，我们首先将联合事件提取定义为一个序列到序列的标签任务，标签集由触发器和实体的标签组成。然后，将上述共现关系中的缺失信息，我们提出了一个交叉监督机制（CSM），交替监督的触发器或实体的提取基于彼此的类型分布。此外，由于连接的实体和触发器自然形成异构信息网络（HIN），因此我们利用给定语料库的元路径上的潜在模式来进一步提高我们提出的方法的性能。为了验证我们所提出的方法的有效性，我们进行了广泛的实验上的四个真实世界的数据集，以及比较我们的方法与国家的最先进的方法。实验结果和分析表明，我们的方法优于国家的最先进的方法在实体和触发提取。
2020-10-14 cs.CL
DiMB-RE: Mining the Scientific Literature for Diet-Microbiome Associations
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
构建了最大且最多样化的饮食-微生物组关联标注语料库DiMB-RE，并微调NLP模型与评估生成式大模型，发现微调模型在实体识别表现尚可但关系提取受限于领域复杂性，为生物医学文献挖掘提供了基准。
2025-03-29 cs.CL
Reinforced Iterative Knowledge Distillation for Cross-Lingual Named Entity Recognition
Jilin University（吉林大学）；Microsoft（微软）；Simon Fraser University（西蒙弗雷泽大学）
命名实体识别（NER）是许多应用程序（如Web搜索和语音助理）中的基本组件。虽然深度神经网络极大地提高了NER的性能，但由于需要大量的训练数据，深度神经网络很难扩展到行业环境中的许多语言。为了应对这一挑战，跨语言NER通过预先训练的多语言模型将知识从资源丰富的语言转移到资源较少的语言。代替使用目标语言的训练数据，跨语言NER必须仅依赖于源语言的训练数据，并且可选地添加从源语言导出的翻译的训练数据。然而，现有的跨语言NER方法没有很好地利用目标语言中丰富的未标记数据，这是相对容易收集的行业应用。为了应对机遇和挑战，本文描述了我们在Microsoft中的新实践，即在实际生产环境中利用目标语言中的大量未标记数据。为了有效地从未标记的数据中提取弱监督信号，我们提出了一种基于半监督学习和强化学习思想的新方法。在三个基准数据集上的实证研究验证了我们的方法建立了新的最先进的性能与清晰的边缘。现在，本文中报道的NER技术正在成为Microsoft Bing搜索引擎中Web排名、实体搜索、答案触发和问答的基本组件。此外，我们的技术也将作为商业语音助理口语语言理解模块的一部分。我们计划在部署后开放原型框架的代码。
2021-06-01 cs.AI cs.CL
DICE: Data-Efficient Clinical Event Extraction with Generative Models
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出数据高效的生成式临床事件抽取模型DICE，通过对比学习和提及识别辅助任务提升边界判定能力，并构建首个带论元标注的临床事件抽取数据集MACCROBAT-EE，在低数据场景下取得最优性能。
2023-05-25 cs.AI cs.CL cs.LG
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
Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation
Institute of Data Science in Biomedicine, Technische Universität Braunschweig（布伦瑞克工业大学生物医学数据科学研究所）
针对 BioMedRAG 固定大小分块割裂语义证据的问题，提出可配置语义分块框架，替换其分块构建阶段，在 GM-CIHT 上 F1 值提升 8.4 个百分点，为生物医学 RAG 提供可解释适配方案。
2026-09-01 cs.CL cs.IR
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
Backdoor Pre-trained Models Can Transfer to All
Zhejiang University（浙江大学）；Binjiang Institute of Zhejiang University（浙江大学滨江研究院）；Wuhan University（武汉大学）；Huawei International, Singapore（华为国际）；Pennsylvania State University（宾夕法尼亚州立大学）
预训练的通用语言模型已经成为现实世界自然语言处理（NLP）应用程序的主要组成部分。然而，带有后门的预训练模型可能对应用程序构成严重威胁。NLP中大多数现有的后门攻击都是在微调阶段通过在目标类中引入恶意触发器来进行的，因此非常依赖微调任务的先验知识。在本文中，我们提出了一种新的方法，将包含触发器的输入直接映射到预先训练的NLP模型的预定义输出表示，例如，BERT中分类标记的预定义输出表示，而不是目标标签。因此，它可以在没有任何先验知识的情况下为广泛的下游任务引入后门。此外，鉴于触发器在自然语言处理中的独特性质，我们提出了两个新的指标来衡量后门攻击的有效性和隐蔽性的性能。我们对各种类型的触发器的实验表明，我们的方法广泛适用于不同的微调任务（分类和命名实体识别）和不同的模型（如BERT，XLNet，BART），这构成了严重的威胁。此外，通过与流行的在线模型库Hugging Face的合作，我们的方法所带来的威胁已经得到了证实。最后，我们分析了可能影响攻击性能的因素，并分享了我们的后门攻击成功的原因。
2021-10-30 cs.CL cs.CR cs.LG
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
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
SciEvent: Benchmarking Multi-domain Scientific Event Extraction
Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出多领域科学事件抽取基准SciEvent，通过统一事件模式标注500篇跨五领域摘要，将SciIE定义为分段与触发词论元抽取两阶段流水线，实验揭示现有模型在社科人文领域存在性能差距。
2025-09-19 cs.CL
LA-RL: Label-Aware Self-Reflection for Reinforcement Learning in Information Extraction
Hefei University of Technology（合肥工业大学）；Chongqing Jiaotong University（重庆交通大学）
研究针对大语言模型信息抽取中现有反思校正方法不足，提出LA-RL框架，通过任务诊断标签指导自校正，经特定训练阶段提升抽取质量，在多项任务实验中取得良好效果，且发现反思结构对任务敏感。
2026-07-28 cs.CL
Open Relation and Event Type Discovery with Type Abstraction
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
传统的封闭世界信息抽取（IE）方法依赖于人类本体来定义用于抽取的范围。因此，当应用于新领域时，这种方法就显得不足了。这就要求系统能够从给定的语料库中自动推断出新的类型，我们称之为类型发现。为了解决这个问题，我们引入了类型抽象的思想，其中模型被提示泛化并命名类型。然后，我们使用推断的名称之间的相似性，诱导集群。观察到这种基于抽象的表示通常是对实体/触发令牌表示的补充，我们将这两种表示设置为两个视图，并将我们的模型设计为一个协同训练框架。我们在多个关系抽取和事件抽取数据集上的实验一致地显示了我们的类型抽象方法的优势。代码可在https://github.com/raspberryice/type-discovery-abs获得。
2022-11-30 cs.CL
Document-level Event Extraction with Efficient End-to-end Learning of Cross-event Dependencies
University of Southern California（南加州大学）；University of California, Los Angeles（加州大学洛杉矶分校）
充分理解叙述通常需要在整个文档的上下文中识别事件并对事件关系进行建模。然而，文档级事件提取是一项具有挑战性的任务，因为它需要提取事件和实体共指，并捕获跨越不同句子的参数。现有的事件抽取工作通常局限于从单个句子中抽取事件，这无法捕获文档规模上的事件提及之间的关系，以及出现在与事件触发器不同的句子中的事件参数。在本文中，我们提出了一个端到端的模型，利用深度价值网络（DVN），一个结构化的预测算法，有效地捕获跨事件的依赖关系，文档级事件提取。实验结果表明，我们的方法取得了相当的性能，基于CRF的模型ACE05，同时享有显着更高的计算效率。
2021-05-07 cs.CL
Entity-Aspect-Opinion-Sentiment Quadruple Extraction for Fine-grained Sentiment Analysis
Meituan（美团）
本文提出实体-方面-观点-情感四元组抽取任务EASQE，将方面词分层分解为实体和方面以避免信息丢失，并构建四个数据集及两阶段序列标注Trigger-Opinion基线框架，实验表明其显著优于现有方法。
2023-11-28 cs.CL
What is Event Knowledge Graph: A Survey
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Tencent（腾讯）
除了以实体为中心的知识图谱（KG）外，事件也是世界上一种重要的知识，这就引发了以事件为中心的知识表示形式的兴起，如事件KG（EKG）。它在许多下游应用中发挥着越来越重要的作用，例如搜索，问答，推荐，金融量化投资和文本生成。本文从历史、本体、实例和应用四个方面对心电图进行了全面的综述。具体来说，表征心电图彻底，我们专注于它的历史，定义，图式归纳，收购，相关的代表性图形/系统，和应用。研究了其发展过程和趋势。我们进一步总结了前瞻性的方向，以促进未来的研究心电图。
2022-06-13 cs.AI cs.CL cs.LG
Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event Extraction
Institute of Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）；Microsoft Research（微软研究院）
现有的事件抽取方法大多只抽取句子范围内的事件论元。然而，这样的企业级EE方法难以处理来自新兴应用（诸如金融、立法、健康等）的激增的文档量，其中事件论点总是分散在不同的句子中，甚至多个这样的事件提及经常共存于同一文档中。为了解决这些挑战，我们提出了一种新的端到端模型，Doc2EDAG，它可以生成一个基于实体的有向无环图，以有效地实现文档级EE（DEE）。此外，我们重新形式化的DEE任务与无触发词的设计，以减轻文档级的事件标记。为了证明Doc2EDAG的有效性，我们建立了一个大规模的真实世界的数据集，包括中国的财务公告与上述挑战。广泛的实验与全面的分析说明了Doc2EDAG的优越性比国家的最先进的方法。数据和代码可以在https://github.com/dolphin-zs/Doc2EDAG上找到。
2019-09-23 cs.CL cs.LG
Cross-Task Instance Representation Interactions and Label Dependencies for Joint Information Extraction with Graph Convolutional Networks
University of Oregon（俄勒冈大学）
现有的信息抽取（IE）工作主要是分别解决四个主要任务（实体提及识别、关系抽取、事件触发器检测和参数抽取），因此未能从任务之间的相互依赖性中获益。本文提出了一种新的深度学习模型，可以在一个模型中同时解决IE的四个任务（称为FourIE）。与之前联合执行四个IE任务的工作相比，FourIE具有两个新的贡献来捕获任务之间的相互依赖性。首先，在表示层面，我们引入了四个任务的实例之间的交互图，用于丰富一个实例的预测表示与其他任务的相关实例。其次，在标签级别，我们提出了一个依赖图的信息类型在四个IE任务，捕捉输入句子中表达的类型之间的连接。引入了一种新的正则化机制来加强黄金依赖图和预测依赖图之间的一致性，以改善表示学习。我们表明，该模型实现了最先进的性能，联合IE单语和多语言学习设置与三种不同的语言。
2021-03-26 cs.CL
Two Step Joint Model for Drug Drug Interaction Extraction
Zhejiang University（浙江大学）；Hikvision（海康威视）；University of Southern California（南加州大学）
当患者需要服药时，特别是同时服用多种药物时，应警惕可能存在的药物相互作用。药物之间的相互作用可能会对患者产生负面影响，甚至导致死亡。一般来说，与特定药物（或标签药物）冲突的药物通常在其药物标签或包装说明书中描述。由于越来越多的新药产品进入市场，很难通过人工收集这些信息。我们参加了2018年文本分析会议（TAC）的药物标签中药物相互作用（DDI）提取挑战，选择task 1和task 2分别自动提取DDI相关提及和DDI关系。我们提出了一个两步联合模型来联合检测DDI及其相关提及，而不是将task 1看作命名实体识别（NER）任务，将task 2看作关系抽取（RE）任务，然后在流水线中求解。序列标记系统（CNN-GRU编码器-解码器）首先找到沉淀物，然后搜索其细粒度触发器，并在第二步中确定每个沉淀物的DDI。此外，建立了基于规则的模型来确定药代动力学相互作用的子类型。我们的系统在task 1和task 2中都取得了最好的结果。F-测量在任务1中达到0.46，在任务2中达到0.40。
2020-08-28 cs.CL
Leveraging World Knowledge in Implicit Hate Speech Detection
Georgetown University（乔治城大学）
虽然人们非常重视识别明确的仇恨言论，但以编码或间接语言伪装的隐含仇恨言论很普遍，仍然是现有仇恨言论检测系统的一个主要挑战。本文首次尝试将实体链接（EL）技术应用于显式和隐式仇恨言论检测，其中我们表明，关于文本中实体提及的真实世界知识确实有助于模型更好地检测仇恨言论，并且当显式实体触发时（例如，KKK（三K党）出席。我们还讨论了现实世界的知识并没有增加价值的仇恨言论检测，这提供了更多的见解来理解和建模仇恨言论的微妙之处。
2022-12-28 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
CoRE-CoG: Conversational Recommendation of Entities using Constrained Generation
IIT Delhi（印度理工学院德里分校）；IIT Bombay（印度理工学院孟买分校）
CoRE-CoG通过推荐触发器、类型剪枝和约束生成模块，提升端到端会话推荐系统的推荐准确性与响应流畅性，在基准测试中F1和Recall@1分别提升近10和4个百分点。
2023-11-14 cs.CL
Structural Entities Extraction and Patient Indications Incorporation for Chest X-ray Report Generation
School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院）；Xi'an Key Laboratory of Big Data and Intelligent Vision（西安大数据与智能视觉重点实验室）；Key Laboratory of Collaborative Intelligence Systems, Ministry of Education, Xidian University（教育部协同智能系统重点实验室）；Warren Alpert Medical School, Brown University（布朗大学沃伦·阿尔珀特医学院）；School of Electronic Engineering, Xidian University（西安电子科技大学电子工程学院）；Department of Radiology and Radiological Sciences, Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院放射科）
本文提出SEI方法，通过结构化实体提取消除报告噪声以提升跨模态对齐与历史病例检索，并融合X光图像、历史病例与患者指征生成高质量胸部X光报告，在MIMIC-CXR数据集上优于现有方法。
2024-05-23 cs.AI cs.CL eess.IV
