We are what we repeatedly do: Inducing and deploying habitual schemas in persona-based responses
University of Rochester(罗切斯特大学)
针对对话系统需按指定人设生成回复的问题,本文提出用显式模式表示习惯性知识,检索相关模式条件化大语言模型生成人设回复,并展示从简单事实引导创建模式的方法。
2023-10-10 cs.AI cs.CL
From UNDRR Reports to Event Records: Schema-Constrained LLM Extraction of Georeferenced Disasters
ETH Zürich(苏黎世联邦理工学院);University of Maryland(马里兰大学);MPI(马克斯·普朗克研究所);University of Toronto(多伦多大学);United Nations Office for Disaster Risk Reduction(联合国减少灾害风险办公室)
本文提出一种基于模式约束的LLM流水线,从UNDRR的PreventionWeb文档中抽取地理参考灾害事件记录,在10,000份文档上生成3,572条记录,GPT-5达到86.0%的F1分数,显著优于基线,并计划开源以适配国家档案。
2026-09-22 cs.AI cs.CL cs.IR
ScrapeGraphAI-100k: Dataset for Schema-Constrained LLM Generation
Slovak University of Technology(斯洛伐克技术大学);ScrapeGraphAI
本文提出ScrapeGraphAI-100k数据集,包含93695个模式约束提取事件,通过真实用户数据和结构化标注,用于评估LLM在模式约束下的生成能力。
2026-11-16 cs.AI cs.CL cs.IR
Instruction-Tuning LLMs for Event Extraction with Annotation Guidelines
George Mason University(乔治·马歇尔大学)
本研究探讨标注指南在指令微调大型语言模型进行事件抽取时的作用,实验表明其在适量训练数据下能提升跨模式泛化和低频事件类型性能。
2025-05-29 cs.CL
AutoSchemaKG: Autonomous Knowledge Graph Construction through Dynamic Schema Induction from Web-Scale Corpora
CSE, HKUST(香港科技大学计算机科学与工程系);CSE, CUHK(香港城市大学计算机科学与工程系);Theory Lab, Huawei(华为理论实验室)
本研究提出无需预定义模式的自主知识图谱构建框架AutoSchemaKG,利用大语言模型同步提取三元组与归纳模式,构建十亿级ATLAS知识图谱系列,在多跳问答等任务上表现更优,可补充大语言模型的参数化知识。
2025-08-01 cs.AI cs.CL
Beyond Transcription: Unified Audio Schema for Perception-Aware AudioLLMs
Basic Model Technology Center, WeChat AI, Tencent Inc.(腾讯基本模型技术中心、微信AI、腾讯公司);State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University(多媒体信息处理国家重点实验室、计算机学院、北京大学)
本文提出统一音频架构(UAS),通过将音频信息划分为转录、语调和非语言事件三个组件,提升音频细粒度感知性能,同时保持推理能力。
2026-04-14 cs.CL cs.SD
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
Event-based clinical findings extraction from radiology reports with pre-trained language model
University of Washington(华盛顿大学)
放射学报告包含放射科医生在解读图像期间记录的各种丰富的临床异常。放射学发现的综合语义表示将使广泛的二次使用应用程序能够支持诊断、分诊、结果预测和临床研究。在本文中,我们提出了一个新的语料库的放射学报告注释的临床发现。我们的注释模式捕获了在成像(“病变”)和其他类型的临床问题(“医学问题”)上可观察到的病理发现的详细表示。该模式使用基于事件的表示来捕获细粒度的细节,包括断言,解剖结构,特征,大小,计数等。我们的黄金标准语料库包含总共500个注释的计算机断层扫描(CT)报告。我们使用两种最先进的深度学习架构提取触发器和参数实体,包括BERT。然后,我们预测触发器和参数实体(称为参数角色)之间的联系,使用基于BERT的关系抽取模型。我们使用在我们机构的300万份放射学报告上预训练的BERT模型实现了最佳提取性能:90.9%-93.4%F1用于寻找触发器72.0%-85.6%F1用于参数角色。为了评估模型的可推广性,我们使用了从MIMIC胸部X射线(MIMIC-CXR)数据库中随机抽样的外部验证集。该验证集的提取性能为95.6%,用于寻找触发器,79.1%-89.7%用于参数角色,表明该模型适用于不同成像模式的跨机构数据。我们从MIMIC-CXR数据库中的所有放射学报告中提取发现事件,并将提取结果提供给研究团体。
2021-12-27 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
SCI 3.0: A Web-based Schema Curation Interface for Graphical Event Representations
The University of Colorado, Boulder(科罗拉多大学博尔德分校)
为助力NLP领域的事件表示研究,该研究推出SCI 3.0网页应用,支持在图形化事件图中实时编辑事件模式的子事件、实体、关系等属性,服务于宏观事件的结构化梳理。
2024-05-17 cs.CL
ToxiREX: A Dataset on Toxic REasoning in ConteXt
Vrije Universiteit Amsterdam(瓦赫宁海姆自由大学)
提出ToxiREX多语言数据集,基于有毒推理模式标注Reddit评论的隐式上下文毒性,并建立基线模型评估。
2026-06-29 cs.CL
Joint Learning Templates and Slots for Event Schema Induction
Key Laboratory of Computational Linguistics, Ministry of Education(教育部计算语言学重点实验室);School of Electronics Engineering and Computer Science, Peking University(北京大学电子工程与计算机科学学院);Collaborative Innovation Center for Language Ability(语言能力协同创新中心)
自动事件模式归纳(AESI)是指从原始文本中提取元事件,即找出原始文本中可能存在的事件类型(模板)以及每种事件类型中可能存在的角色(槽)。在本文中,我们提出了一个联合实体驱动的模型来学习模板和槽在同一个句子中的模板和槽的约束的基础上同时进行。此外,实体的内部连通性也考虑了实体的语义信息。我们借用图像分割中的归一化切割准则,将实体划分为更精确的模板簇和槽簇。实验结果表明,该模型的预测效果优于以往的研究成果.
2016-03-04 cs.CL
Causal schema induction for knowledge discovery
Allen Institute for AI(艾伦人工智能研究所);Brandeis University(布兰迪斯大学);Tohoku University(东北大学);Paul G. Allen School of Computer Science & Engineering(保罗·G·艾伦计算机科学与工程学院);University of Colorado Boulder(科罗拉多大学博尔德分校)
理解熟悉但又陌生的情况通常涉及对因果图式的概括,这些图式是帮助人类推理事件序列的故事。关于事件的推理包括识别事件实例之间共享的因果关系,我们称之为因果图式归纳的过程。统计图式归纳系统可以利用话语中编码的结构知识或与事件意义相关的因果图,然而研究这种因果结构的资源数量很少,规模有限。在这项工作中,我们研究如何将图式归纳模型应用于知识发现的任务,以增强英语新闻文本的搜索。为了解决数据稀缺的问题,我们提出了Torquestra,一个手动策划的数据集的文本图形模式单元集成时间,事件和因果结构。我们在三个知识发现任务上对数据集进行基准测试,为每个任务构建和评估模型。结果表明,利用因果结构的系统是有效的识别文本共享相似的因果意义组件,而不是依赖于词汇线索。我们将数据集和模型用于研究目的。
2023-03-27 cs.CL
ARGUS: Role-Aware Event Knowledge Graphs for U.S. Employment-Discrimination Complaints
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Bloomberg(彭博)
针对美国就业歧视投诉,提出ARGUS流水线,结合5W1H模式和法律模型构建文档级事件知识图谱,实验表明图结构分类优于基线,且EKG检索提升文档级问答。
2026-09-25 cs.CL
Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction
Zhejiang University(浙江大学);National University of Singapore(新加坡国立大学);Tencent(腾讯);Donghai Laboratory(东海实验室)
本文提出检索增强方法RAP,以模式感知的参考作为提示,动态利用标注与弱监督数据中的模式和知识,缓解语义鸿沟与特征不足问题,在低资源知识图谱构建中显著提升现有方法性能。
2023-09-18 cs.AI cs.CL cs.DB
A Diffusion Model for Event Skeleton Generation
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));International Digital Economy Academy (IDEA)(国际数字经济研究院(IDEA))
本文提出首个用于事件骨架生成的扩散模型DEGM,通过嵌入与舍入技术、自定义边损失及去噪训练,将离散事件图转化为可学习潜在表示并迭代纠错,在三个IED数据集上优于现有方法。
2023-05-27 cs.CL
Human Schema Curation via Causal Association Rule Mining
Johns Hopkins University(约翰斯·霍普金斯大学);University of Maryland, College Park(马里兰大学帕克分校)
事件模式是定义典型的现实世界场景的结构化知识源(例如,去机场)。我们提出了一个框架,有效的人在循环建设的模式库,基于一个新的脚本感应系统和精心制作的界面,允许非专家“编程”复杂的事件结构。与这项工作相关的是,我们发布了一个模式库:一个包含232个详细事件模式的机器可读资源,每个模式都描述了一个不同的典型场景,包括相关的子事件结构(场景中发生了什么)、参与者(谁在场景中扮演了角色)、每个参与者的细粒度类型以及它们之间隐含的关系约束。我们使我们的模式库和SchemaBlocks接口在线可用。
2022-05-23 cs.AI cs.CL
Schema-Guided Event Graph Completion
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);JP Olive S&T Management LLC(JP Olive科技管理有限责任公司)
我们解决了一个新的任务,事件图完成,其目的是预测事件图丢失的事件节点。现有的链接预测或图补全方法难以处理事件图,因为它们通常是针对诸如社交网络或知识图谱之类的单个大型图而设计的,而不是针对多个小的动态事件图。此外,它们只能预测丢失的边缘,而不是丢失的节点。在这项工作中,我们建议利用事件模式,一个模板,描述了事件图的定型结构,以解决上述问题。我们的模式引导的事件图完成方法首先映射一个实例事件图的模式图的一个子图的启发式子图匹配算法。然后,它预测模式图中的候选事件节点是否应该被添加到实例化的模式子图,通过表征模式图的两种类型的局部拓扑结构:候选节点和子图的邻居,以及连接候选节点和子图的路径。这两个模块随后组合在一起用于最终预测。我们还提出了一个自我监督的策略来构建训练样本,以及一个专门设计用于完成事件图的推理算法。在四个数据集上的大量实验结果表明,我们提出的方法实现了最先进的性能,在四个数据集上的最佳基线方法上具有4.3%至19.4%的绝对F1增益。
2022-06-06 cs.AI cs.CL cs.LG
Decompose, Enrich, and Extract! Schema-aware Event Extraction using LLMs
Monash University(莫纳什大学);Defence Science and Technology Group(国防科学技术集团)
本文提出一种基于 LLMs 的自动化事件抽取新方法,通过将任务分解为事件检测与论元抽取以缓解幻觉,并整合动态模式感知的检索增强提示技术,在多个基准上表现优于基线。
2024-06-03 cs.AI cs.CL
Harvesting Events from Multiple Sources: Towards a Cross-Document Event Extraction Paradigm
School of Cyber Science and Engineering, Wuhan University(武汉大学网络科学与工程学院)
本文提出跨文档事件抽取(CDEE)任务,通过构建CLES数据集和五步流程基准,整合多文档事件信息以克服单文档局限性,实现约72%的F1分数。
2024-06-23 cs.AI cs.CL
Schema-Guided Culture-Aware Complex Event Simulation with Multi-Agent Role-Play
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);The Private Sector Humanitarian Alliance(私营部门人道主义联盟);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室)
本文提出模式引导、文化感知的多智能体复杂新闻事件模拟器,结合用户假设、地域文化知识与角色状态行动建模,提升模拟连贯性和恰当性。
2024-10-24 cs.AI cs.CL
Temporal Information and Event Markup Language: TIE-ML Markup Process and Schema Version 1.0
Indiana University(印第安纳大学)
时态信息和事件置标语言(TIE-ML)是一种标记策略和注释模式,用于提高语料库的时态和事件相关注释的效率和准确性,以促进基于机器学习的模型训练。对于事件的注释、时间顺序和持续时间,通过仅为时间关系和事件枚举提供极其简化的标记集,它明显更简单。与其他标准相比,例如时间置标语言(TimeML),它更容易使用,因为它放弃了复杂的形式主义、理论概念和注释方法。使用TimeML标注的语料库可以有损失地映射到TIE-ML,而TIE-ML标注可以完全映射到TimeML,但有一定的欠规范。
2021-09-28 cs.AI cs.CL cs.LO
Retrieval-Augmented Code Generation for Universal Information Extraction
CAS Key Laboratory of Network Data Science and Technology, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所网络数据科学与技术重点实验室);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);Platform and Content Group, Tencent(腾讯平台与内容事业群)
针对信息抽取中任务模式多样的挑战,提出基于大语言模型的检索增强代码生成框架Code4UIE,用Python类统一定义抽取模式并结合语义检索示例,在多任务多数据集上验证了有效性。
2023-11-06 cs.AI cs.CL cs.IR
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
RESIN-EDITOR: A Schema-guided Hierarchical Event Graph Visualizer and Editor
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出 RESIN-EDITOR,一个由事件模式引导、支持层次化事件图可视化、来源追溯与交互编辑的工具,可帮助分析复杂新闻事件并提升系统性能。
2023-12-05 cs.AI cs.CL cs.HC
Extracting Events Like Code: A Multi-Agent Programming Framework for Zero-Shot Event Extraction
针对零样本事件抽取中直接提示易输出无效结果的问题,本文提出多智能体框架AEC,将事件抽取类比为迭代代码生成过程,经多领域多模型实验验证其性能优于现有零样本基线。
2025-11-17 cs.AI cs.CL
DemoSG: Demonstration-enhanced Schema-guided Generation for Low-resource Event Extraction
Beijing University of Posts and Telecommunications(北京邮电大学)
提出DemoSG模型,通过演示学习和模式引导生成,在低资源事件抽取中显著提升性能。
2023-10-16 cs.AI cs.CL cs.IR
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
A Novel Corpus of Annotated Medical Imaging Reports and Information Extraction Results Using BERT-based Language Models
University of Washington(华盛顿大学);George Mason University(乔治梅森大学);Stanford University(斯坦福大学)
本文提出带标注医学影像报告语料库CAMIR,结合细粒度事件结构与概念归一化,并基于BERT架构探索mSpERT与增强的PL-Marker++方法进行事件信息抽取。
2024-03-27 cs.CL
Searching News Articles Using an Event Knowledge Graph Leveraged by Wikidata
LIMSI, CNRS(法国国家科学研究中心机械与工程科学计算机实验室);EURECOM(欧洲通信学院);CEA, LIST(法国原子能和替代能源委员会、技术研究实验室);Agence France-Presse (AFP)(法新社);Sorbonne Université(索邦大学);Inserm(法国国家健康与医学研究院)
新闻机构制作了成千上万的多媒体故事,描述世界上发生的事件,这些事件要么是预定的,如体育比赛,政治峰会和选举,要么是突发事件,如军事冲突,恐怖袭击,自然灾害等。然而,寻找故事中描述的精确事实是困难的。在本文中,我们提出了一个通用的方法,利用维基数据知识库产生语义注释的新闻文章。接下来,我们描述了一个语义搜索引擎,它支持基于关键字的搜索在新闻文章和结构化数据搜索提供过滤器的属性属于特定的事件模式,自动推断。
2019-04-11 cs.CL
Schema-adaptable Knowledge Graph Construction
Zhejiang University(浙江大学);Zhejiang Lab(之江实验室);Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph(浙江大学-蚂蚁集团知识图谱联合实验室);Tencent(腾讯)
提出模式自适应知识图谱构建任务,通过模式增强前缀指导与动态解码的AdaKGC方法,无需重训练即可持续抽取实体、关系与事件,实验显示优于现有基线。
2023-11-15 cs.AI cs.CL cs.DB
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
Conditional Generation of Temporally-ordered Event Sequences
The University of Texas at Austin(德克萨斯大学奥斯汀分校);United States Naval Academy(美国海军学院)
叙事图式知识的模型已被证明是有用的一系列事件相关的任务,但他们通常不捕捉事件之间的时间关系。我们提出了一个单一的模型,解决时间排序,排序给定的事件到他们发生的顺序,和事件填充,预测新的事件,适合现有的时间顺序序列。我们使用了一个基于BART的条件生成模型,它可以捕获时间性和共同事件共现,这意味着它可以灵活地应用于这个空间中的不同任务。我们的模型被训练成一个去噪自动编码器:我们获取时间顺序的事件序列,将它们打乱,删除一些事件,然后尝试恢复原始事件序列。此任务教导模型在给定关于基础场景中事件的不完整知识的情况下进行推断。在时间排序任务中,我们证明了我们的模型能够在不访问显式标记的时间训练数据的情况下从现有数据集中解读事件序列,优于基于BERT的成对模型和基于BERT的指针网络。在事件填充上,人类评估表明,与GPT-2故事完成模型相比,我们的模型能够生成在时间上更适合输入事件的事件。
2021-07-01 cs.CL
Text2NKG: Fine-Grained N-ary Relation Extraction for N-ary relational Knowledge Graph Construction
School of Computer Science, Beijing University of Posts and Telecommunications(北京邮电大学计算机学院);School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院);Beijing Institute of Computer Technology and Application(北京计算机技术及应用研究所);Inspur Group Co., Ltd.(浪潮集团有限公司);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
针对现有n元关系知识图谱构建粗粒度、单一模式的局限,提出带异序与输出合并的跨度元组分类框架Text2NKG,支持四种典型NKG模式,在细粒度n元关系抽取基准上F1值达SOTA,代码与数据已公开。
2024-10-30 cs.AI 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-Format Transfer Learning Model for Event Argument Extraction via Variational Information Bottleneck
East China Normal University(华东师范大学)
事件论元抽取(Event argument extraction,EAE)是从文本中抽取具有给定角色的论元的方法,在自然语言处理中得到了广泛的研究。大多数以前的工作已经取得了良好的性能,在特定的EAE数据集与专用的神经架构。然而,这些架构通常难以适应具有各种注释模式或格式的新数据集/场景。此外,它们依赖于大规模的标记数据进行训练,这在大多数情况下由于高标记成本而不可用。本文提出了一种具有变信息瓶颈的多格式迁移学习模型,该模型利用现有数据集中的信息,特别是公共知识,在新数据集中进行EAE。具体来说,我们引入了一个共享特定的提示框架,从不同格式的数据集学习格式共享和格式特定的知识。为了进一步吸收EAE的共同知识并消除不相关的噪声,我们将变分信息瓶颈集成到我们的体系结构中,以改进共享表示。我们在三个基准数据集上进行了广泛的实验,并在EAE上获得了新的最先进的性能。
2022-09-03 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