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
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
Polar Ducks and Where to Find Them: Enhancing Entity Linking with Duck Typing and Polar Box Embeddings
Meta AI；EPFL（洛桑联邦理工学院）
本文提出DUCK方法，利用duck typing定义实体类型，并在球面极坐标系中将关系表示为boxes，通过聚类相似类型实体来增强实体链接，在标准基准上性能提升7.9个F1点并媲美大参数生成模型。
2023-10-20 cs.AI cs.CL
End-to-End Neural Entity Linking
ETH Zürich（苏黎世联邦理工学院）
实体链接是语义文本理解和信息抽取的一项重要任务。流行的方法分别解决EL的提及检测（MD）和实体消歧（ED）阶段，而不利用它们的相互依赖性。我们在这里提出了第一个神经端到端EL系统，共同发现和链接文本文档中的实体。其主要思想是将所有可能的跨度视为潜在的提及，并在其实体候选项上学习上下文相似性分数，这对MD和ED决策都很有用。关键组件是上下文感知提及嵌入，实体嵌入和概率提及-实体映射，而不需要其他工程特性。经验上，我们表明，我们的端到端的方法显着优于流行的系统在沙鼠平台上有足够的训练数据。相反，如果测试数据集与训练集相比遵循不同的注释约定（例如查询/推文与新闻文档），则我们的ED模型与传统的NER系统相结合，可以提供最佳或第二佳的EL准确性。
2018-08-29 cs.CL
AMELI: Enhancing Multimodal Entity Linking with Fine-Grained Attributes
Virginia Tech（弗吉尼亚理工学院）
该研究提出属性感知多模态实体链接任务，构建了含大规模数据的AMELI基准与知识库，提出融入实体属性的消歧新方法，验证了属性对该任务的关键作用，且首次将属性引入该任务并公开相关资源。
2025-06-10 cs.CL
Hierarchical Losses and New Resources for Fine-grained Entity Typing and Linking
UMass Amherst（马萨诸塞大学阿默斯特分校）；Chan Zuckerberg Initiative（陈·扎克伯格倡议）
从原始文本到实体和细粒度类型的知识库的提取通常被视为实体和类型标签的平面集合的预测，忽略了策划本体中包含的类型和实体的丰富层次结构。以前的尝试，将层次结构产生的好处很少，并限于浅本体。本文提出了使用实和复双线性映射来集成分层信息的新方法，在实体链接和细粒度实体类型化中对平面预测进行了实质性改进，并在基准FIGER数据集上实现了端到端模型的最新结果。我们还提出了两个新的人类注释数据集，其中包含广泛而深入的层次结构，我们将向社区发布，以鼓励在这一方向上的进一步研究：MedMentions，PubMed摘要的集合，其中246 k提及已映射到大规模的UMLS本体;和TypeNet，将Freebase类型与WordNet层次结构对齐，以获得近2k实体类型。在所有三个数据集上的实验中，我们都显示出了层次意识训练的实质性收益。
2018-07-13 cs.CL
Argument Linking: A Survey and Forecast
语义角色标注（SRL）--识别同一句子中谓词和其他成分之间的语义关系--是自然语言理解（NLU）中一个研究得很好的任务。然而，这些关系中的许多只在文档的层次上是明显的，因为一个句子中的谓词的作用通常可以由另一个句子中的论元来填补。这种更一般的任务，被称为隐式语义角色标注或参数连接，近年来受到越来越多的关注，因为研究人员已经认识到它对信息抽取和NLU的中心作用。本文综述了文献的论点连接，并确定了现有的方法，表明沿着未来的研究工作可以最有利可图的花费路径的几个显着的缺点。
2021-07-18 cs.CL
A Read-and-Select Framework for Zero-shot Entity Linking
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
本文提出读取-选择（ReS）框架，通过提及-实体匹配和跨实体比较改进零样本实体链接的候选排序，在ZESHEL数据集上以2.55%的准确率提升达到最先进性能，且无需繁重预训练。
2023-10-29 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
TACO: Task-Aware Column Description Generation Using LLMs
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Purdue University（普渡大学）；Adobe
提出TACO框架，通过三步流水线（缩写扩展、描述生成、描述修订）利用LLMs自动生成准确且信息丰富的列描述，在下游任务中性能提升高达32%。
2026-06-23 cs.AI cs.CL cs.DB
Type-aware Decoding via Explicitly Aggregating Event Information for Document-level Event Extraction
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出SEA模型，通过显式聚合事件信息到类型和角色表示，解决文档级事件抽取中事件无关干扰和角色间干扰问题，在ChFinAnn和DuEE-fin数据集上超越现有最优方法。
2023-10-16 cs.AI cs.CL cs.IR
Investigating Entity Knowledge in BERT with Simple Neural End-To-End Entity Linking
University of Mannheim（曼海姆大学）
端到端实体链接系统的典型架构包括三个步骤：提及检测、候选生成和实体消歧。在这项研究中，我们调查了以下问题：（a）所有这些步骤都可以与上下文文本表示模型，即BERT（Devlin等人，2019年）？(b)预训练的BERT中已经包含了多少实体知识？(c)额外的实体知识是否提高了BERT在下游任务中的性能？为此，我们提出了一种对实体链接设置的极端简化，效果非常好：只需将其转换为整个实体词汇表（在我们的情况下超过70万个类）上的每个标记分类。我们在一个实体链接基准上表明：（i）该模型改进了普通BERT的实体表示，（ii）它优于单独优化任务的实体链接架构，以及（iii）它仅次于当前最先进的技术，即联合提到检测和实体消歧。此外，我们调查的有用性的实体感知令牌表示的文本理解基准GLUE，以及问答基准SQUAD V2和SWAG和EN-DE WMT 14机器翻译基准。令我们惊讶的是，我们发现这些基准测试中的大多数并没有从额外的实体知识中受益，除了一个具有非常小的训练数据的任务，即GLUE中的RTE任务，它提高了2%。
2020-03-11 cs.CL cs.LG
RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers
University of Edinburgh（爱丁堡大学）；UC Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
当将自然语言问题转换为SQL查询以回答来自数据库的问题时，当代的语义解析模型难以推广到看不见的数据库模式。泛化的挑战在于（a）以语义解析器可访问的方式编码数据库关系，以及（b）在给定查询中对数据库列及其提及之间的对齐进行建模。我们提出了一个统一的框架，基于关系感知的自我注意力机制，以解决模式编码，模式链接，并在文本到SQL编码器的功能表示。在具有挑战性的Spider数据集上，该框架将精确匹配准确率提高到57.2%，比最好的同行提高了8.7%。通过进一步增强BERT，它在Spider排行榜上实现了65.6%的最新性能。此外，我们观察到模型对模式链接和对齐的理解有了质的改进。我们的实现将在https://github.com/Microsoft/rat-sql上开源。
2021-08-24 cs.AI cs.CL
Towards Deep Semantic Analysis Of Hashtags
International Institute of Information Technology Hyderabad（海得拉巴国际信息技术研究所）
主题标签是在各种社交网络和微博平台上使用的语义句法结构，使用户能够开始特定主题的讨论或将帖子分类到所需的类别中。因此，将标签中存在的实体分段和链接可以帮助更好地理解和提取社交媒体上共享的信息。然而，由于在主题标签中缺少空格分隔符（例如#nsavssnowden），将主题标签分割成组成实体（在这种情况下为“NSA”和“Edward Snowden”）不是一项简单的任务。大多数当前最先进的社交媒体分析系统，如情感分析和实体链接，往往要么忽略主题标签，要么将其视为单个单词。在本文中，我们提出了一种上下文感知的方法来分割和链接实体的主题标签的知识库（KB）的条目，根据上下文内的推文。我们的方法分割和链接的实体在标签，标签语义和推文之间的一致性最大化。据我们所知，没有现有的研究解决了在主题标签中链接实体以提取语义信息的问题。我们在两个不同的数据集上评估我们的方法，并通过在标签中分割和链接实体提供的额外语义信息来证明我们的技术在提高推文中的整体实体链接方面的有效性。
2015-01-13 cs.CL cs.IR
Contextual Argument Component Classification for Class Discussions
Learning Research and Development Center（学习研究与发展中心）；University of Pittsburgh（匹兹堡大学）
当被训练以完成诸如论点成分识别、分类和关系抽取之类的任务时，论点挖掘系统经常考虑上下文信息，即，在论点话语单元之外的信息。然而，以前的工作并没有仔细分析不同的上下文属性在上下文感知模型中的效用。在这项工作中，我们展示了如何两种不同类型的上下文信息，当地的话语背景和扬声器的背景下，可以被纳入一个计算模型的分类参数组件在多方课堂讨论。我们发现，这两种上下文类型可以提高性能，虽然改进是依赖于上下文的大小和位置。
2021-02-20 cs.CL
Enhancing Retrieval-Augmented Generation with Entity Linking for Educational Platforms
Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系）；Institute of Cognitive Sciences and Technologies (ISTC), National Research Council of Italy (CNR)（意大利国家研究委员会认知科学与技术研究所（ISTC））
本文提出ELERAG架构，通过实体链接增强事实信号，提升教育问答系统在意大利语领域的准确性，实验显示其在专业领域表现优异，但通用领域效果不如交叉编码器。
2026-03-10 cs.AI cs.CL cs.IR
Bridging Lexical Divergence: LLM-Assisted, Cost-Efficient, Zero-shot Scientific Entity Linking
Iowa State University（爱荷华州立大学）
针对科学实体链接中词汇重叠不足、零样本方法计算成本高且噪声多的问题，提出Sci-ZSEL框架，结合选择性LLM别名生成、本体感知过滤和伪标注微调，在含低词汇重叠的新动物科学基准及其他基准上表现优于基线。
2026-09-02 cs.CL
Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension
Shanghai Jiao Tong University（上海交通大学）
本文提出整体图网络（HGN），在话语和词级别建模层次关系，通过节点级和类型级交互机制提升机器阅读理解的逻辑推理能力，并在ReClor、LogiQA等数据集上验证了有效性。
2023-06-21 cs.CL cs.LG
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
Computational linking theory
Johns Hopkins University（约翰斯·霍普金斯大学）
链接理论解释了动词的语义论元如何映射到它们的句法论元-这是浅层语义解析文献中语义角色标注任务的逆过程。在本文中，我们开发了计算链接理论框架作为一种方法，用于实现和测试理论文献中提出的链接理论。我们部署这个框架来评估两个交叉类型的连接理论：局部与全局模型和分类与特征模型。为了进一步研究这些模型的行为，我们开发了一个测量模型的精神，以前的工作在语义角色归纳：语义原型角色链接模型。我们使用这个模型，它实现了道蒂的开创性的原型角色理论的概括，诱导语义原型角色，我们比较那些道蒂建议。
2016-10-08 cs.CL
RMPL: Relation-aware Multi-task Progressive Learning with Stage-wise Training for Multimedia Event Extraction
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
提出RMPL框架，通过分阶段训练结合单模态事件抽取和多模态关系抽取的异构监督，在低资源条件下实现多媒体事件抽取，并在M2E2基准上取得一致改进。
2026-05-27 cs.CL cs.CV
Multi-level Mixture of Experts for Multimodal Entity Linking
School of Computer；Information Technology Shanxi University Taiyuan China；School of Computer Science；Informatics Cardiff University Cardiff UK；ILCC, School of Informatics University of Edinburgh Edinburgh UK；Information Technology Shanxi University；Informatics Cardiff University；ILCC, School of Informatics University of Edinburgh
针对多模态实体链接中的指称歧义和模态动态选择问题，提出多层级混合专家模型MMoE，通过描述增强、特征提取及层级内外混合专家机制动态选择特征，取得了优于现有技术的性能。
2025-06-03 cs.AI cs.CL cs.CV
Context awareness and embedding for biomedical event extraction
City University of Hong Kong（香港城市大学）
动机：生物医学事件检测是分子生物学和生物医学研究中信息抽取的基础。所检测到的事件形成了综合生物医学知识融合的中心基础，促进了对大量文献信息的消化。受特征上下文的限制，现有的事件检测模型大多适用于单一任务。生物医学知识管理迫切需要一个通用的、可扩展的计算模型。结果：我们认为，并提出了一个自下而上的检测框架，以确定从公认的参数的事件。为了捕捉参数之间的关系，我们训练了一个双向长短期记忆（LSTM）网络来模拟它们的上下文嵌入。利用组合属性，我们进一步推导出用于训练事件分类器的候选样本。我们在BioNLP共享任务的数据集上构建了我们的模型进行评估。我们的方法在BioNLPST-BGI和BioNLPST-BB数据集上分别实现了0.81和0.92的平均F分数。与7种最先进的方法相比，我们的方法在BioNLPST-BB数据集上的现有F分数性能几乎翻了一番（0.92 vs 0.56）。进行了案例研究，以揭示潜在的原因。可用性：https://github.com/cskyan/evntextrc
2019-05-02 cs.CL
TLAG: An Informative Trigger and Label-Aware Knowledge Guided Model for Dialogue-based Relation Extraction
Peking University（北京大学）
基于对话的关系抽取（DRE）旨在预测对话中所提及的论元对的关系类型。最新的生物增强方法提出了触发预测任务，以促进DRE。然而，这些方法不能充分利用触发信息，甚至会给关系抽取带来噪声。为了解决这些问题，我们提出了TLAG，它充分利用触发器和标签感知的知识来指导关系抽取。首先，我们设计了一个自适应触发融合模块，充分利用触发信息。然后，我们引入标签感知知识，以进一步提高我们的模型的性能。在DialogRE数据集上的实验结果表明，TLAG的性能优于基准模型，详细的分析表明了该方法的有效性。
2023-03-30 cs.CL
BioELX: Context-Aware Cross-lingual Biomedical Entity Linking without Task-Specific Supervision
University of Stuttgart, Germany（斯图加特大学）；Technical University of Berlin, Germany（柏林技术大学）
提出BioELX两阶段框架，通过维基数据多语言别名增强SapBERT检索器，并利用预训练LLM排序器进行上下文感知消歧，无需标注数据即在多个基准上取得最佳性能。
2026-09-03 cs.AI 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
Rethinking Schema Linking: A Context-Aware Bidirectional Retrieval Approach for Text-to-SQL
University of Alberta, Canada（阿尔伯塔大学）；Huawei Technologies Canada Co., Ltd., Canada（华为技术加拿大有限公司）
本文提出了一种上下文感知的双向检索方法，用于提升文本到SQL系统的模式链接精度与效率。
2026-01-26 cs.CL cs.IR
EventLens: Leveraging Event-Aware Pretraining and Cross-modal Linking Enhances Visual Commonsense Reasoning
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院）
本文提出EventLens，通过事件感知预训练辅助任务激活LLM对复杂场景的全局理解，并在微调时利用引用标签桥接RoI特征与文本实现细粒度跨模态对齐，从而增强视觉常识推理能力。
2024-04-22 cs.CL cs.CV
Argument-Aware Semantic Alignment of Normative Texts: A Toulmin-Based Neuro-Symbolic Approach
Purdue University（普渡大学）；Cleantech Software（清洁技术软件公司）
该研究针对专业规范文本语义对齐难题，提出结合神经文本表示与图尔敏特征的神经符号方法，在网络安全标准映射基准上验证论元结构特征可提升对齐效果。
2026-09-01 cs.AI cs.CL
Embedding Models for Stance-Aware Argument Retrieval
Imperial College London（帝国理工学院）
本文针对立场感知的论证检索任务，发现现有稠密嵌入模型存在主题偏好、过度关注极性关键词等问题，通过引入诊断指标并提出结合平衡论证课程与立场反转论证的数据中心方案，缓解了模型过度纠正问题，提升了立场感知的论证检索效果。
2026-08-31 cs.AI cs.CL
Discourse-Aware Policy Analysis with Argumentation: A Hybrid LLM-Symbolic Framework for Disaster Governance
New Mexico State University（新墨西哥州立大学）；Sun Yat-Sen University（中山大学）
研究灾害治理中政策文件推理隐含问题，提出混合大语言模型-符号框架Apaf，通过分类论点、生成框架介导关系子类型进行关键话语分析，发布新数据集，论证图准确、可解释且跨辖区稳定。
2026-07-16 cs.AI cs.CL
Schema-Aware Multi-Task Learning for Complex Text-to-SQL
Zhejiang University（浙江大学）
提出架构感知多任务学习框架MTSQL，通过架构链接判别器和操作符中心三元组提取器增强复杂文本到SQL的架构对齐与生成，在Spider基准上表现优异。
2024-03-09 cs.AI cs.CL cs.DB
SADGA: Structure-Aware Dual Graph Aggregation Network for Text-to-SQL
School of Computer Science, Guangdong University of Technology（广东工业大学计算机学院）；Peng Cheng Laboratory（鹏城实验室）；College of Science, Shantou University（汕头大学理学院）
Text-to-SQL任务旨在将问题的自然语言转换为SQL查询，近年来引起了人们的广泛关注。Text-to-SQL最具挑战性的问题之一是如何将训练好的模型推广到看不见的数据库模式，也称为跨域Text-to-SQL任务。关键在于（i）对问题和数据库模式进行建模的编码方法和（ii）学习问题中的单词与数据库模式中的表/列之间的映射的问题-模式链接方法的可推广性。针对这两个关键问题，本文提出了一种结构感知的双图聚合网络（SADGA）。在SADGA中，我们采用了图结构，为自然语言问题和数据库模式提供了一个统一的编码模型。在统一建模的基础上，我们进一步设计了一种结构感知的聚合方法来学习问题图和模式图之间的映射。结构感知聚合方法具有全局图链接、局部图链接和双图聚合机制。我们不仅从经验上研究了我们的提案的性能，而且在撰写本文时，我们在具有挑战性的文本到SQL基准测试Spider中获得了第三名。
2022-01-17 cs.CL
EviLink: Multi-Path Schema Linking with Uncertainty-Guided Evidence Acquisition for Large-Scale Text-to-SQL
School of Software Technology, Zhejiang University（浙江大学软件学院）；State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室）；Tencent TEG（腾讯TEG）；School of Mathematical Sciences, Peking University（北京大学数学科学学院）
提出EviLink方法，通过多假设模式基础与不确定性引导的证据获取，重新定义模式链接为不确定性感知的模式需求推理，以平衡模式完整性、相关性和令牌成本，提升大规模Text-to-SQL性能。
2026-09-29 cs.AI cs.CL
Towards Argument-Aware Abstractive Summarization of Long Legal Opinions with Summary Reranking
University of Pittsburgh（匹兹堡大学）
本文提出一种论证感知的长法律意见书生成式摘要方法，通过论证角色信息生成候选摘要并依据论证结构对齐重排序，在长法律意见书数据集上优于多个强基线。
2023-06-01 cs.CL
ARQUSUMM: Argument-aware Quantitative Summarization of Online Conversations
An Quang Tang（独立研究者）；Xiuzhen Zhang（独立研究者）；Minh Ngoc Dinh（独立研究者）；Zhuang Li（独立研究者）
ARQUSUMM通过基于论证理论的LLM少样本学习和论证结构意识聚类算法，实现对在线对话中论点主张-理由结构的定量摘要，提升摘要的文本质量和量化准确性。
2025-11-21 cs.CL
AMPERE: AMR-Aware Prefix for Generation-Based Event Argument Extraction Model
University of California, Los Angeles（加州大学洛杉矶分校）；University of Southern California（南加州大学）；Tsinghua University（清华大学）
本文提出AMPERE模型，通过为生成式事件论元抽取模型各层生成AMR感知前缀并引入调整后的复制机制，有效融入AMR结构化信息，在ACE2005和ERE数据集上实现4%-10%的绝对F1提升。
2023-05-26 cs.AI cs.CL
LLM-INSTRUCT at UZH Shared Task 2026: Constraint-Aware Retrieval and Selective Debate for Paragraph-Level Argument Mining
Vietnamese-German University（越南-德国大学）；RMIT University Vietnam（皇家墨尔本理工大学越南分校）；VANGIA INNOVATIONS（VANGIA创新公司）
本文介绍了在UZH 2026共享任务中用于段落级论证挖掘的获胜系统LLM-INSTRUCT，通过元数据感知检索、约束解码等方法缩小决策空间，提高了准确性和提交稳健性，在官方排行榜上取得优异成绩。
2026-07-24 cs.AI cs.CL
Linking-Enhanced Pre-Training for Table Semantic Parsing
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Alibaba Group（阿里巴巴集团）
最近，预训练模型通过利用大规模文本语料库来提高神经网络的上下文表示能力，从而显著提高了各种NLP任务的性能。大型预训练语言模型也被应用于表格语义解析领域。然而，现有的预训练方法没有仔细探索问题和相应的数据库模式之间的显式交互关系，这是揭示其语义和结构对应关系的关键因素。针对图式背景下的问题感知表示学习在预训练目标中的不足，本文设计了两个新的预训练目标，将期望的归纳偏差引入到表的预训练中。我们进一步提出了一种模式感知的课程学习方法，以减轻噪音的影响，并有效地学习从前训练数据在一个简单到困难的方式。我们通过在两个基准测试Spider和SQUALL上进行微调来评估我们的预训练框架。结果表明，与各种基线相比，我们的预培训目标和课程的有效性。
2022-02-15 cs.CL
Arg-LLaDA: Argument Summarization via Large Language Diffusion Models and Sufficiency-Aware Refinement
The University of Manchester, UK（曼彻斯特大学）
Arg-LLaDA通过大语言扩散模型和充分性感知细化方法，提升论点摘要的准确性与连贯性。
2025-11-20 cs.CL
Diversity Aware Relevance Learning for Argument Search
LMU Munich（慕尼黑大学）；Database Systems and Data Mining（数据库系统与数据挖掘研究所）
在这项工作中，我们专注于检索相关参数的查询索赔涵盖不同方面的问题。现有技术的方法依赖于声明和前提之间的显式映射，因此无法在没有费力且昂贵的手动注释的情况下利用大量可用的前提集合。他们的多样性方法依赖于通过聚类去除重复，这并不能直接确保所选择的前提覆盖所有方面。这项工作介绍了一个新的多步骤的方法，参数检索问题。我们的方法不依赖于地面实况分配，而是采用机器学习模型来捕获参数之间的语义关系。除此之外，它旨在覆盖查询的各个方面，而不是试图显式地识别重复项。我们的实证评估表明，我们的方法导致显着改善的论点检索任务，即使它需要更少的数据。
2021-03-17 cs.CL cs.IR
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
TACAM: Topic And Context Aware Argument Mining
LMU（慕尼黑大学）
在这项工作中，我们解决的问题，参数搜索。论元搜索的目的是从大型文本语料库中提炼出所请求主题的赞成和反对论元。在以前的作品中，通常的方法是使用一个标准的搜索引擎，以提取文本部分相关的给定的主题，随后使用一个参数识别算法，以选择参数。论元识别任务（也称为论元挖掘）的主要挑战是，包含论元的句子在结构上通常与纯粹信息性的句子相似，而对主题没有任何立场。事实上，它们只是语义上的不同。大多数方法仅在第一个搜索步骤中使用主题或搜索项信息，因此假设参数可以独立于主题进行分类。我们认为，主题信息是至关重要的参数挖掘，因为主题定义了一个参数的语义上下文。准确地说，我们提出了不同的模型进行分类的参数，其中考虑到一个参数的主题的信息。此外，为了丰富主题的上下文并让模型更好地理解潜在论点的上下文，我们整合了来自不同外部来源的信息，例如知识图谱或预训练的NLP模型。我们的评估表明，考虑主题信息，特别是与外部信息，参数挖掘任务提供了显着的性能提升。
2019-08-26 cs.CL cs.LG stat.ML
ARGUS: Theory-of-Mind Guided Argument Generation with Strategy-Aware Planning and Knowledge Grounding
InspireOmni AI；The Hong Kong Polytechnic University（香港理工大学）
该研究提出基于智能体的Argus框架，结合心理理论推理、策略感知规划等，在三个基准上优于基线，可有效改变抗拒受众立场。
2026-08-26 cs.CL
JOLT-SQL: Joint Loss Tuning of Text-to-SQL with Confusion-aware Noisy Schema Sampling
Zhengzhou University（郑州大学）；Zhengzhou University of Aeronautics（郑州航空工业管理大学）；Wuhan University（武汉大学）
针对Text-to-SQL任务中SFT方法的复杂多阶段流程及噪声模式鲁棒性差问题，提出单阶段SFT框架JOLT-SQL，通过统一损失联合优化模式链接与SQL生成，结合混淆感知噪声模式采样策略，在基准测试中实现最优执行准确率并提升效率。
2025-09-23 cs.CL
A Full End-to-End Semantic Role Labeler, Syntax-agnostic Over Syntax-aware?
Shanghai Jiao Tong University（上海交通大学）
语义角色标注是识别句子的谓元结构，包括谓词消歧和论元标注两个子任务。以往的研究通常将整个自主学习问题分解为两个或多个子任务。本文首次引入了一个端到端的神经模型，它可以一次性地统一处理谓词消歧和参数标注。使用biaffine评分器，我们的模型直接预测句子中所有给定单词对的所有语义角色标签，而不依赖于任何句法分析信息。具体来说，我们用非线性变换来增强BiLSTM编码器，以进一步区分给定句子中的谓词和参数，并通过采用biaffine注意机制将语义角色标注过程建模为词对分类任务。尽管所提出的模型对于本地解码器来说是语法不可知的，但在英语和中文的CoNLL-2008、2009基准测试中，它的性能优于最先进的语法感知SRL系统。据我们所知，我们报告的第一个语法不可知的SRL模型，超越所有已知的语法感知模型。
2018-08-14 cs.CL
MDB-Link: Hierarchical Schema Linking for Multi-Database Text-to-SQL
University of Manchester（曼彻斯特大学）；Faculty of Science and Engineering（科学与工程学院）
本文针对多数据库Text-to-SQL场景提出分层模式链接框架MDB-Link，结合LLM实现数据库定位与列选择，在多个数据集上性能及运行速度均优于基线方法，可高效支撑SQL生成。
2026-08-11 cs.CL
Relation-Aware Neighborhood Matching Model for Entity Alignment
Peking University（北京大学）
实体对齐是知识融合的重要步骤，其目的是将不同知识图谱中具有相同意义的实体连接起来。现有的研究主要集中在学习嵌入的实体，利用结构信息的KG实体对齐。这些方法可以聚集来自相邻节点的信息，但也可能带来来自邻居的噪声。最近，一些研究人员试图成对比较相邻节点以增强实体对齐。然而，他们忽略了实体之间的关系，这也是重要的邻域匹配。此外，现有的方法没有注意到实体对齐和关系对齐之间的积极互动。为了解决这些问题，我们提出了一种新的感知实体对齐的邻域匹配模型RNM。具体来说，我们建议利用邻域匹配来增强实体对齐。除了在匹配邻域时比较相邻节点外，我们还尝试从连通关系中挖掘有用的信息。此外，设计了一个迭代框架，以半监督的方式利用实体对齐和关系对齐之间的积极互动。在三个真实数据集上的实验结果表明，该模型RNM的性能优于现有的方法。
2020-12-15 cs.AI cs.CL
eTracer: Polarity-Aware Evidence Grounding
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Technische Universität Berlin（柏林技术大学）；University of Applied Sciences and Arts Dortmund（多特蒙德应用科学大学）；University Hospital Essen（埃森大学医院）
eTracer 通过声明级 grounding 提升文本生成的可追溯性和可信度，改进了生物医学领域响应的验证效率。
2026-09-29 cs.CL
Should We Be Pre-training? An Argument for End-task Aware Training as an Alternative
Carnegie Mellon University（卡内基梅隆大学）；ENS PSL University（巴黎文理研究大学高等师范学院）；Determined AI（Determined AI公司）
在大多数实际问题的设置中，机器学习从业者提前知道他们希望用辅助任务来推进什么样的最终任务。然而，广泛使用的利用辅助数据的方法，如预训练及其持续预训练变体，是与最终任务无关的：它们很少利用目标任务的知识。我们研究用所述模型的最终任务感知训练来替换预先训练的语言模型的最终任务不可知的继续训练。我们认为，对于足够重要的最终任务，以任务感知的方式利用辅助数据的好处可以证明放弃获得通用的，最终任务不可知的表示与（持续）预训练的传统方法是合理的。在来自两个领域的三个不同的低资源NLP任务上，我们证明了多任务处理最终任务和辅助目标的结果比Gururangan等人广泛使用的任务不可知的持续预训练范式显着更好的下游任务性能。接下来，我们将介绍一种在线元学习算法，该算法学习一组多任务权重，以更好地平衡多个辅助目标，从而进一步提高最终任务的性能和数据效率。
2022-02-07 cs.CL cs.LG
RESDSQL: Decoupling Schema Linking and Skeleton Parsing for Text-to-SQL
Renmin University of China（中国人民大学）
本文提出 RESDSQL 框架，通过排序增强编码和骨架感知解码将模式链接与骨架解析解耦，显著提升了 Text-to-SQL 的解析准确性与鲁棒性。
2023-04-10 cs.CL
MATCH: Model-Aware Tool Learning with Curriculum Scheduling and Hierarchically Gated Rewards
University of the Chinese Academy of Sciences（中国科学院大学）；Honor Device Co., Ltd（荣耀终端有限公司）
针对工具学习中固定阈值课程错位和奖励信用泄漏问题，提出MATCH框架，采用模型感知课程学习与分层门控奖励，在API-Bank和BFCL V3上取得领先准确率。
2026-09-18 cs.AI cs.CL cs.LG
Key Point Analysis Needs Structure Recovery: Task Definition, Dataset Diagnosis, and a Structure-Aware Benchmark
King’s College London（伦敦国王学院）
该研究定义关键点分析（KPA）为结构化预测问题，诊断现有KPA基准缺陷，构建人机协同标注的结构感知基准并发布相关资源，为KPA研究提供支持
2026-08-27 cs.CL cs.LG
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
