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
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
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
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
Neural Architectures for Open-Type Relation Argument Extraction
Ludwig Maxilian University of Munich（慕尼黑路德维希马克西米利安大学）；University of Cambridge（剑桥大学）
在这项工作中，我们介绍了开放型关系参数提取（ORAE）的任务：给定语料库，查询实体Q和知识库关系（例如，“Q authored notable work with title X”），模型必须从语料库中提取非标准实体类型的参数（不能由标准命名实体标记器提取的实体，例如X：书籍或艺术作品的标题）。获得并发布基于WikiData关系的远程监督数据集以解决该任务。我们开发和比较了广泛的神经模型，这项任务产生了很大的改进，在一个强大的基线与神经问答系统。系统地比较了不同的句子编码架构和答案提取方法的影响。基于门控递归单元的编码器与条件随机场标记器相结合给出了最佳结果。
2018-09-30 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
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
HIVE-4-MAT: Advancing the Ontology Infrastructure for Materials Science
Drexel University（德雷塞尔大学）
介绍HIVE-4-MAT - Helping Interdisciplinary Vocabulary Engineering for Materials Science，一个自动链接数据本体应用程序。涵盖材料科学的背景知识，共享的本体论基础设施，并回顾知识提取和索引过程。HIVE-4-MAT的词汇浏览，术语搜索和选择，知识提取和索引的审查，并计划集成命名实体识别。结论强调了关系抽取的后续步骤，以支持更好的本体。
2021-01-20 cs.CL cs.DL
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
Video Event Extraction via Tracking Visual States of Arguments
Tsinghua University（清华大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Columbia University（哥伦比亚大学）
视频事件提取的目的是从视频中检测出显著事件，并识别每个事件的论点以及它们的语义角色。现有的方法侧重于捕捉每帧的整体视觉场景，忽略了细粒度的参数级信息。受事件作为状态变化的定义的启发，我们提出了一种新的框架来检测视频事件，通过跟踪所有涉及的参数的视觉状态的变化，预计将提供最翔实的证据提取视频事件。为了捕捉参数的视觉状态变化，我们将它们分解为对象内像素的变化、对象的位移以及多个参数之间的交互。我们进一步提出了对象状态嵌入，对象运动感知嵌入和参数交互嵌入来编码和跟踪这些变化。各种视频事件提取任务的实验表明，显着的改进相比，国家的最先进的模型。特别是在动词分类上，我们在视频情景识别的F1@5中获得了3.49%的绝对增益（19.53%的相对增益）。
2022-11-05 cs.CL cs.CV
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
Relation Extraction Model Based on Semantic Enhancement Mechanism
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（计算机学院（国家试点软件工程学院）、北京邮电大学）；Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia（智能电信软件与多媒体北京重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）
研究自然语言处理中关系抽取的三元组重叠问题，提出基于CasRel框架结合语义增强机制的CasAug模型，通过对可能主语预分类、计算语义相似度等操作，提升关系抽取效果，增强处理重叠问题及抽取多关系的能力。
2026-07-13 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
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
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
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
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
Causal Intervention-based Prompt Debiasing for Event Argument Extraction
East China Normal University（华东师范大学）；Fudan University（复旦大学）
在信息抽取任务中，特别是在低数据量的情况下，基于特征的方法变得越来越流行。通过将微调任务格式化为预训练目标，基于训练的方法有效地解决了数据稀缺问题。然而，以往的研究很少探讨不同的提示形成策略之间的差异。在这项工作中，我们比较了两种提示，基于名称的提示和基于本体的提示，并揭示了如何基于本体的提示方法优于其对应的zero-shot事件参数提取（EAE）。此外，我们分析了潜在的风险，基于本体的提示通过因果的观点，并提出了一个因果干预的debias方法。在两个基准测试上的实验表明，通过我们的debias方法的修改，基线模型变得更加有效和强大，在抵抗对抗攻击显着改善。
2022-10-04 cs.AI cs.CL
Enriched Attention for Robust Relation Extraction
Bosch Center for Artificial Intelligence（博世人工智能中心）
随着神经网络的兴起，关系抽取模型的性能有了很大的提高。然而，神经关系抽取的一个关键问题是鲁棒性：模型不能很好地扩展到具有多个实体和关系的长句。在这项工作中，我们解决这个问题，丰富的注意力机制。注意力允许模型关注输入句子中与关系抽取相关的部分。我们建议，以丰富的注意力功能与功能建模知识的关系参数和它们之间的最短依赖路径。因此，对于不同的关系论元，该模型可以关注句子的不同部分。我们的模型在两个流行的基准测试中使用可比的设置优于先前的工作，我们的分析证实，它确实可以扩展到具有许多实体的长句。
2021-04-22 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
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
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
Generating Disentangled Arguments with Prompts: A Simple Event Extraction Framework that Works
Beihang University（北京航空航天大学）；Alibaba Group（阿里巴巴集团）；The University of Sheffield（谢菲尔德大学）
事件提取弥合了文本和事件信号之间的差距。现有的方法基于参数依赖性的假设，通过专家设计的模板或复杂的解码约束，已经达到了最先进的性能。在本文中，我们第一次引入基于学习策略的事件提取领域，这使得自动开发的标签语义的输入和输出端。为了验证所提出的生成方法的有效性，我们进行了广泛的实验与11个不同的基线。实证结果表明，在F1分数的论点提取，我们的简单架构是强大的比任何其他生成的同行，甚至与需要模板工程的算法竞争。关于召回的衡量标准，它为论点和触发器提取创造了新的整体记录。我们在此向社区推荐此框架，代码可在https://git.io/GDAP上公开获得。
2022-02-15 cs.AI cs.CL cs.LG
A Two-Stream AMR-enhanced Model for Document-level Event Argument Extraction
Peking University（北京大学）；Tencent Cloud Xiaowei（腾讯云小微）
以往的研究大多是从单个句子中提取事件，而文档级的事件提取仍然是探索不足。在本文中，我们专注于从整个文档中提取事件参数，这主要面临两个关键问题：a）触发器和参数之间的长距离依赖的句子; b）分散上下文对文档中的事件。为了解决这些问题，我们提出了一个双流抽象意义表示增强提取模型（TSAR）。TSAR采用双流编码模块从不同角度对文档进行编码，充分利用了局部和全局信息，降低了上下文干扰的影响。此外，TSAR还引入了AMR引导的交互模块，以局部和全局构造的AMR语义图为基础，捕获表内和表间特征。引入一个辅助的边界损失来显式地增强文本跨度的边界信息。大量的实验表明，TSAR优于以前的国家的最先进的大幅度，与2.54 F1和5.13 F1的性能增益在公共RAMS和WikiEvents数据集上分别显示出跨句子的参数提取的优越性。我们在https://github.com/ PKUnlp-icler/TSAR中发布我们的代码。
2022-04-30 cs.AI cs.CL
Learning to Ask for Data-Efficient Event Argument Extraction
Zhejiang University（浙江大学）；AZFT Joint Lab for Knowledge Engine（AZFT知识引擎联合实验室）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州创新中心）；Alibaba Group（阿里巴巴集团）
事件变元抽取是信息抽取的一项重要任务，它能发现特定的变元角色。在本研究中，我们将EAE作为一个基于问题的完形填空任务，并实证分析固定离散标记模板的性能。由于生成人工注释的问题模板通常是耗时和劳动密集型的，我们进一步提出了一种新的方法，称为“学习问”，它可以学习优化的问题模板，EAE没有人的注释。使用ACE-2005数据集的实验表明，我们的方法的基础上优化的问题实现了最先进的性能在Few-Shot和监督设置。
2021-10-01 cs.AI cs.CL cs.IR
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
CasEE: A Joint Learning Framework with Cascade Decoding for Overlapping Event Extraction
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）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机学院）；School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）
事件抽取是一项重要的信息抽取任务，旨在抽取文本中的事件信息。现有的方法大多假设事件出现在句子中没有重叠，这不适用于复杂的重叠事件提取。本文系统地研究了现实中的事件重叠问题，即一个词可以充当多个类型的触发语或不同角色的论元。为了解决上述问题，我们提出了一种新的联合学习框架与级联解码重叠事件提取，称为CasEE。特别地，CasEE顺序地执行类型检测、触发提取和参数提取，其中重叠目标被单独地提取，以特定的先前预测为条件。所有的子任务在一个框架中联合学习，以捕获子任务之间的依赖关系。公共事件提取基准FewFC上的评估表明，CasEE在重叠事件提取方面比以前的竞争方法有了显着的改进。
2021-07-04 cs.CL
Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding
Virginia Tech（弗吉尼亚理工大学）；WeChat AI（微信人工智能实验室）；University of California Santa Barbara（加州大学圣巴巴拉分校）；Lehigh University（理海大学）
事件提取通常被建模为多类分类问题，其中事件类型和参数角色被视为原子符号。这些方法通常限于一组预定义的类型。我们提出了一种新的事件提取框架，使用事件类型和参数角色作为自然语言查询，从输入文本中提取候选触发器和参数。由于查询具有丰富的语义，我们的框架受益于注意力机制，以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外，查询和提取配方允许我们的方法，利用所有可用的事件注释从各种本体作为一个统一的模型。ACE和ERE上的实验表明，我们的方法在每个数据集上都达到了最先进的性能，并且在zero-shot事件提取上显著优于现有方法。
2022-03-22 cs.AI cs.CL
Event Extraction as Question Generation and Answering
Dataminr Inc.（Dataminr公司）
针对 QA 式事件抽取依赖固定模板且难处理同角色多论元的问题，本文提出 QGA-EE，利用 QG 模型结合上下文生成问题并以动态模板辅助训练，在 ACE05 英文数据集上超过单任务模型。
2023-07-10 cs.CL
Entity Recognition and Relation Extraction from Scientific and Technical Texts in Russian
A.P. Ershov Institute of Informatics Systems SB RAS（俄罗斯科学院西伯利亚分院A.P.叶尔绍夫信息系统研究所）；Novosibirsk State University（新西伯利亚国立大学）
本文主要研究信息技术类科技文本的信息抽取（实体识别和关系分类）方法。科学出版物为尖端科学进步提供了宝贵的信息，但有效处理越来越多的数据是一项耗时的任务。在本文中，提出了几个修改的方法，俄语。它还包括比较关键词提取方法、词汇方法和基于神经网络的一些方法的实验结果。这些任务的文本集以英文形式存在，并被科学界积极使用，但目前，俄文的此类数据集尚未公开。在本文中，我们提出了一个语料库的科学文本在俄罗斯，RuSERRC。该数据集由1600个未标记的文档和80个标记有实体和语义关系（考虑了6种关系类型）的文档组成。数据集和模型可在https://github.com/iis-research-team上获得。我们希望它们能对信息抽取系统的研究和开发有所帮助。
2020-12-26 cs.CL
Vietnamese Open Information Extraction
Ryerson University（瑞尔森大学）；York University（约克大学）；Angiang University（安江大学）
开放式信息抽取（Open Information Extraction，OIE）是从文本文档中自动抽取关系及其参数的过程，而不需要将搜索限制在预定义的关系中。近年来，世界动物卫生组织为英语建立了几个系统，但没有为越南语建立任何系统。在本文中，我们提出了一种方法，OIE越南语使用基于小句的方法。因此，我们利用越南语的依存句法分析使用语法子句，努力考虑所有可能的关系，在一个句子。对应的小句类型是根据其成分的语法功能，通过其命题作为可提取关系来识别的。因此，我们的系统是第一个OIE系统命名为vnOIE的越南语，可以生成开放的关系和他们的参数从越南语文本具有高度可扩展性的提取，同时是域独立的。实验结果表明，我们的OIE系统取得了令人满意的结果，准确率为83.71%。
2018-01-23 cs.CL
Shift-of-Perspective Identification Within Legal Cases
University of Moratuwa（莫拉图瓦大学）
通过与以前的法庭案件有关的文件获得的论点，反驳，事实和证据是法律专业人员的基本需要。因此，从包含与法庭案件相关的法律意见的文档中自动信息抽取的过程可以被认为是非常重要的。本研究的重点是识别法律意见书文本中对某一主题或实体表达不同观点的句子。我们结合了几种基于语义分析，开放式信息抽取，和情感分析的方法来实现我们的目标。然后，我们的方法在人类法官的帮助下进行了评估。评估的结果表明，我们的系统是成功的，在检测的情况下，两个句子提供不同的意见，对同一主题或实体。所提出的方法可用于促进与法律领域有关的其他信息抽取任务。一个这样的任务是自动检测给定参数的反参数。另一个是在法庭案件中识别对方当事人。
2019-08-17 cs.CL
MMUTF: Multimodal Multimedia Event Argument Extraction with Unified Template Filling
Technische Hochschule Nürnberg Georg Simon Ohm（纽伦堡乔治·西蒙·欧姆应用技术大学）
针对多媒体事件论元抽取，本文提出 MMUTF 统一模板填充模型，通过文本提示融合文本与视觉信息，在 M2E2 上显著提升文本 EAE 并改善多媒体 EAE 表现。
2024-10-01 cs.CL cs.LG
Revisiting Event Argument Extraction: Can EAE Models Learn Better When Being Aware of Event Co-occurrences?
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）
本文提出非自回归表格生成框架TabEAE，通过并行抽取多个事件引入事件共现信息，在ACE05等4个数据集上刷新EAE性能。
2023-06-01 cs.AI cs.CL
Improving Zero-Shot Event Extraction via Sentence Simplification
ACLED和Our World in Data等网站的成功证明了从新闻、社交媒体、博客和论坛等形式的大量文本数据中以结构化格式提取事件的巨大效用。事件提取可以为正在发生的地缘政治危机提供一个窗口，并产生可操作的情报。随着大型预训练语言模型的激增，机器阅读理解（MRC）近年来已成为事件提取的新范式。在这种方法中，事件论元提取被框定为一个提取的问题回答任务。基于MRC的方法的关键优点之一是其执行zero-shot提取的能力。然而，长期依赖性的问题，即，触发词和论元词之间较大的词汇距离以及处理句法复杂的句子的困难困扰着基于MRC的方法。在本文中，我们提出了一种通用的方法来提高性能的MRC为基础的事件提取进行无监督的句子简化指导的MRC模型本身。我们在ICEWS地缘政治事件提取数据集上评估了我们的方法，特别注意“演员”和“目标”参数角色。我们展示了如何这样的上下文简化可以提高基于MRC的事件提取的性能超过5%的演员提取和超过10%的目标提取。
2022-04-06 cs.AI cs.CL
Bootstrapping Distantly Supervised IE using Joint Learning and Small Well-structured Corpora
Carnegie Mellon University（卡内基梅隆大学）
我们提出了一个框架，以提高性能的远程监督关系抽取，通过联合学习解决两个相关的任务：概念实例提取和关系抽取。我们将此与文档结构的新用途相结合：在一些小的，结构良好的语料库中，可以识别对应于关系参数的部分，并且从这些部分中标记的远距离示例往往具有良好的精度。使用这些作为种子，我们提取额外的关系的例子，通过应用标签传播的图形组成的噪声的例子从一个大型的非结构化测试语料库。结合软约束，概念的例子应该有相同类型的第二个参数的关系，我们得到了显着的改进，在几个国家的最先进的方法，远程监督关系抽取。
2016-08-11 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
DialogRE^C+: An Extension of DialogRE to Investigate How Much Coreference Helps Relation Extraction in Dialogs
Wuhan University（武汉大学）；National University of Singapore（新加坡国立大学）
本文构建带有人工共指链标注的 DialogRE^C+ 基准，并提出共指增强的图式 DRE 模型，验证共指知识对对话关系抽取的作用。
2023-08-12 cs.CL
Modular Self-Supervision for Document-Level Relation Extraction
Microsoft Research（微软研究院）；Northeastern University（美国东北大学）
在NLP中，跨大文本跨度提取关系的探索相对较少，但对于生物医学等高价值领域尤为重要，在这些领域中，获得最新发现的高召回率对于实际应用至关重要。与局限于短文本跨度的传统信息提取相比，文档级关系抽取在推理和学习方面都面临着额外的挑战。如果文本跨度更长，最先进的神经架构就不那么有效，特定于任务的自我监督（如远程监督）变得非常嘈杂。在本文中，我们提出分解文档级关系抽取为关系检测和参数解析，从戴维森语义的启发。这使我们能够结合显式话语建模，并对每个子问题利用模块化自我监督，这不太容易产生噪音，并且可以通过变分EM进行端到端的进一步改进。我们对精确肿瘤学的生物医学机器阅读进行了彻底的评估，其中跨段落关系提及很普遍。我们的方法优于现有技术，如多尺度学习和图神经网络，超过20个绝对F1点。在最具挑战性的关系实例中，其参数从未在段落中共同出现，这种增益尤其明显。
2021-09-11 cs.CL
Efficient Document-level Event Extraction via Pseudo-Trigger-aware Pruned Complete Graph
Soochow University（苏州大学）；Huawei Cloud（华为云）
以往文档级事件抽取的研究主要集中在以自回归的方式构建参数链，取得了一定的成功，但在训练和推理方面效率较低。与以前的研究相比，我们提出了一个快速和轻量级的模型命名为PTPCG。在该模型中，我们设计了一种新的事件参数组合策略和一种非自回归解码算法，该算法在自动选择伪触发器的指导下，通过修剪完全图来构造事件参数组合策略.与以前的系统相比，我们的系统实现了具有竞争力的结果与19.8%的参数和更低的资源消耗，只有3.8%的GPU小时的训练和高达8.5倍的推理速度。此外，我们的模型对有（或没有）触发器的数据集表现出了良好的兼容性，伪触发器可以作为注释触发器的补充，以进一步改进。代码可在https://github.com/Spico197/DocEE上获得。
2022-10-04 cs.CL
Utilizing Contextual Clues and Role Correlations for Enhancing Document-level Event Argument Extraction
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上下文交互不足和事件角色关联被忽视的问题，提出 CARLG 框架，通过 CCA 与 RLIG 以不足 1% 的新增参数提升性能与推理速度。
2024-04-03 cs.CL cs.IR
U4RASD at KnowledgeGraphEval-2026: Ontology-Constrained Encoder and LLM Systems for Arabic Relation Extraction
Arab Center for Research and Policy Studies（阿拉伯研究与政策研究中心）；American University of Beirut（贝鲁特美国大学）
本文介绍了U4RASD团队针对KnowledgeGraphEval-2026子任务2提出的本体约束编码器与LLM系统，在阿拉伯语关系抽取任务中取得微F1值94.06并获第一名，凸显了约束预测与互补建模的重要性。
2026-10-12 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
Nested Event Extraction upon Pivot Element Recogniton
School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文提出PerNee模型，通过识别兼具外层事件论元与内层事件触发词双重身份的枢轴元素，并结合提示学习提升嵌套事件抽取性能，同时构建了通用领域数据集ACE2005-Nest。
2024-04-07 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
GRASP: Guiding model with RelAtional Semantics using Prompt for Dialogue Relation Extraction
Korea University（高丽大学）
基于对话的关系抽取（DialogRE）任务旨在预测对话中出现的论元对之间的关系。大多数以前的研究利用微调预训练语言模型（PLM），只有广泛的功能，以补充低信息密度的对话，由多个扬声器。为了有效地利用固有知识的PLM没有额外的层，并考虑分散的语义线索之间的关系参数，我们提出了一个指导模型与关系语义提示（GRASP）。我们采用了一种基于语义的微调方法，并通过1）一个论元感知的提示标记策略和2）关系线索检测任务来捕获给定对话的关系语义线索。在实验中，GRASP在DialogRE数据集上的F1和F1c得分方面达到了最先进的性能，即使我们的方法只利用PLM而不添加任何额外的层。
2022-09-27 cs.AI cs.CL
Neural Open Information Extraction
Microsoft Research Asia（微软亚洲研究院）
传统的开放式信息抽取（Open IE）系统通常是建立在来自其他自然语言处理工具（如句法分析）的手工模式上的，但它们面临着错误传播的问题。在本文中，我们提出了一个神经开放IE方法与编码器-解码器框架。与现有方法不同，神经Open IE方法从最先进的Open IE系统中学习高度自信的参数和关系元组。对大型基准数据集的实证研究表明，神经Open IE系统的性能明显优于几个基线，同时保持了相当的计算效率。
2018-05-11 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
Evaluating LLMs for Zeolite Synthesis Event Extraction (ZSEE): A Systematic Analysis of Prompting Strategies
Birla Institute of Technology and Science, Pilani, India（巴尔·印度技术科学学院，比兰利，印度）
本文评估了不同提示策略在沸石合成事件提取中的效果，发现零样本方法在事件分类上表现优异，但细粒度提取任务需领域适应模型。
2025-12-17 cs.AI cs.CL
Recouple Event Field via Probabilistic Bias for Event Extraction
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Tencent（腾讯）
针对事件抽取中忽略触发词/论元场信息的问题，提出概率重耦合框架ProCE，通过将事件场建模为概率偏置澄清模糊纠缠，并利用多场概率交互策略重新耦合分布，有效提升了事件抽取性能。
2023-05-19 cs.AI cs.CL cs.IR
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
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
Cross-media Structured Common Space for Multimedia Event Extraction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Columbia University（哥伦比亚大学）；Dataminr（Dataminr公司）
我们介绍了一个新的任务，多媒体事件提取（M2E2），其目的是从多媒体文档中提取事件及其参数。我们开发了第一个基准，并收集了245多媒体新闻文章的数据集，广泛注释的事件和参数。我们提出了一种新的方法，弱对齐结构化嵌入（WASE），编码结构化表示的语义信息从文本和视觉数据到一个共同的嵌入空间。这些结构通过采用弱监督训练策略跨模态对齐，这使得能够在没有明确的跨媒体注释的情况下利用可用资源。与单模态最先进的方法相比，我们的方法在文本事件参数角色标注和视觉事件提取上分别获得了4.0%和9.8%的绝对F分数增益。与最先进的多媒体非结构化表示相比，我们在多媒体事件提取和参数角色标记上分别获得了8.3%和5.0%的绝对F分数增益。通过利用图像，我们提取的事件提及比传统的纯文本方法多21.4%。
2020-05-05 cs.CL cs.CV cs.LG
