ACL 2022事件相關(guān)(事件抽取、事件關(guān)系抽取、事件預(yù)測等)論文匯總，已更新全部的論文。

Event Extraction

• Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding 講解地址
  本篇論文將事件抽取定義為query-and-extract范式，通過利用事件類型和論元角色之間的語義，提高事件抽取的性能，同時模型在新事件類型和跨本體遷移方面具有泛化性。
  
• Dynamic Prefix-Tuning for Generative Template-based Event Extraction
  提出了一種基于模板的生成方法(動態(tài)前綴)，通過將上下文信息與特定于類型的前綴相結(jié)合來學(xué)習(xí)特定于上下文的前綴
  
• Legal Judgment Prediction via Event Extraction with Constraints
  法律判決預(yù)測(LJP,包括三個多分類的子任務(wù)：法律條文、罪名、刑期)，目前LJP 模型做出的錯誤預(yù)測部分歸因于它們未能(1)定位決定判決的關(guān)鍵事件信息(2)利用 LJP 子任務(wù)之間存在的跨任務(wù)一致性約束。 本篇論文提出一種帶有約束的基于事件的預(yù)測模型。
  
• Saliency as Evidence: Event Detection with Trigger Saliency Attribution
  現(xiàn)有的事件檢測(ED)方法通常遵循“一個模型適合所有類型”的方法，這種方法看不到事件類型之間的差異，并且通常會導(dǎo)致性能出現(xiàn)很大偏差。找到性能偏差的原因?qū)τ贓D模型的穩(wěn)健性至關(guān)重要，本篇論文提出了一個稱為觸發(fā)詞顯著性屬性的新概念，它可以明確地量化事件的潛在模式。在此基礎(chǔ)上為 ED開發(fā)了一種新的訓(xùn)練機制，它可以區(qū)分觸發(fā)詞依賴和上下文依賴類型，并在兩個基準上取得了良好的性能。
  

Event Detection

Event Argument Extraction

• Multilingual Generative Language Models for Zero-Shot Cross-Lingual Event Argument Extraction
  提出了一個語言無關(guān)的模板，同時使用copy機制更好地適應(yīng)輸入語言的變化，以prompt的方式完成zero-shot跨語言遷移事件論元抽取。
  
• Prompt for Extraction? PAIE: Prompting Argument Interaction for Event Argument Extraction
  研究了抽取任務(wù)的prompt tuning，以及用于最佳sapn分配的聯(lián)合選擇方案，在句子級、文檔集、few-shot情況下模型是有效和高效率的。
  
• Document-Level Event Argument Extraction via Optimal Transport
  提出一個基于結(jié)構(gòu)的文檔級事件論元抽取模型，利用句子的句子的依賴解析樹，通過使用optimal transport裁剪得到文檔的依賴解析樹。提出一個正則化的方法，限制表示學(xué)習(xí)中不相關(guān)詞的貢獻。

Information Extraction

• ACL 2022 Unified Structure Generation for Universal Information Extraction
  提出了一個統(tǒng)一的text-to-structure生成架構(gòu)，可以對不同的信息抽取(IE)任務(wù)進行建模，自適應(yīng)地生成目標結(jié)構(gòu)，并從不同的知識資源學(xué)習(xí)通用的信息抽取能力。是第一個text-to-structure預(yù)訓(xùn)練抽取模型。通過結(jié)構(gòu)抽取語言(structural extraction language)將異構(gòu)的信息抽取結(jié)構(gòu)編碼成統(tǒng)一的表示，并通過結(jié)構(gòu)模式(structural schema instructor)指導(dǎo)機制控制UIE模型的識別、關(guān)聯(lián)和生成。
  

Event Representation

• Improving Event Representation via Simultaneous Weakly Supervised Contrastive Learning and Clustering
  1,019 / 5,000
  文本中描述的事件表示對于各種任務(wù)都很重要。本篇論文提出了 SWCC：用于事件表示學(xué)習(xí)的同步弱監(jiān)督對比學(xué)習(xí)和聚類框架。 SWCC 通過更好地利用事件的共現(xiàn)信息來學(xué)習(xí)事件表示。具體來說，引入了一種弱監(jiān)督對比學(xué)習(xí)方法，它允許考慮多個正例(dropout mask得到)和多個負例，以及一種基于原型的聚類方法，可以避免語義相關(guān)的事件被拉開。對于訓(xùn)練，SWCC 通過同時執(zhí)行弱監(jiān)督對比學(xué)習(xí)和基于原型的聚類來學(xué)習(xí)表征。實驗結(jié)果表明，SWCC 在 Hard Similarity 和 Transitive Sentence Similarity 任務(wù)上優(yōu)于其他baseline。
  Hard Similarity Task：事件對二分類(拉近相似事件，拉遠不相似事件)
  Transitive Sentence Similarity：及物句子對(包含單個的主語、賓語、動詞)，人工標注相似度分數(shù)1-7，計算相關(guān)性分數(shù)。
  

Event Prediction

• A Graph Enhanced BERT Model for Event Prediction
  預(yù)測現(xiàn)有事件上下文的后續(xù)事件是一項重要但具有挑戰(zhàn)性的任務(wù)，因為它需要了解事件之間的潛在關(guān)系。 以前的方法從事件圖中檢索關(guān)系特征，以增強事件相關(guān)性的建模。 然而事件圖的稀疏性可能會限制相關(guān)圖信息的獲取，從而影響模型性能。 為了解決這個問題，本篇論文使用 BERT模型自動構(gòu)建事件圖。在 BERT 中加入了一個額外的結(jié)構(gòu)化變量，以學(xué)習(xí)預(yù)測訓(xùn)練過程中的事件連接。 在測試過程中，可以通過結(jié)構(gòu)化變量預(yù)測未見事件的連接關(guān)系。 在腳本事件預(yù)測和故事結(jié)局預(yù)測任務(wù)上超過baseline。
  

Event-Event Relation Extraction

• Event-Event Relation Extraction using Probabilistic Box Embedding
  要理解包含多個事件的故事，重要的是要捕捉這些事件之間的正確關(guān)系。 然而現(xiàn)有的事件關(guān)系提取(ERE)框架將其視為多分類任務(wù)，并且不保證不同關(guān)系類型之間的任何一致性。 例如，如果一條電話線在暴風(fēng)雨后斷電，那么很明顯暴風(fēng)雨發(fā)生在斷電之前。 當前的事件關(guān)系提取框架不能保證這種反對稱性，因此通過約束損失函數(shù)來實施。 本篇論文修改ERE模型，通過將每個事件表示為box representation(BERE)而不應(yīng)用顯式約束來保證一致性。
  

Pre-training

• ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification
  在給定上下文和相關(guān)事件的情況下生成新事件在許多以事件為中心的推理任務(wù)中起著至關(guān)重要的作用?，F(xiàn)有工作要么將其范圍限制在特定場景，要么忽略事件級別的相關(guān)性。本篇論文以事件為中心的推理來預(yù)訓(xùn)練一個通用的 Correlationaware context-to-Event Transformer (ClarET)。為實現(xiàn)這一目標，提出了三個新穎的以事件為中心的目標，即整個事件恢復(fù)、對比事件相關(guān)編碼和基于提示的事件定位。
  

Question Generation

• Educational Question Generation of Children Storybooks via Question Type Distribution Learning and Event-centric Summarization
  生成童話或故事書的教育問題對于提高兒童的識字能力至關(guān)重要。 然而生成能夠捕捉具有教育意義的童話故事有趣方面的問題是一項挑戰(zhàn)。 本篇論文提出了一種新穎的問題生成方法，首先學(xué)習(xí)輸入故事段落的問題類型分布，然后概括出可用于生成高認知需求問題的顯著事件。 為了訓(xùn)練以事件為中心的總結(jié)器，使用由教育問答對組成的樣本來微調(diào)一個基于transformer的序列到序列模型。
  

Text Generation

• Event Transition Planning for Open-ended Text Generation
  開放式文本生成任務(wù)，例如對話生成和故事完成，需要模型在給定有限的前提上下文的情況下生成連貫的延續(xù)。 這些任務(wù)的開放性給當今的神經(jīng)自回歸文本生成器帶來了新的挑戰(zhàn)。 盡管這些神經(jīng)模型擅長生成類似人類的文本，但它們很難安排給定事實與可能發(fā)生的事件之間的因果關(guān)系和關(guān)系。 為了彌合這一差距，本篇論文提出了一種新穎的兩階段方法，該方法明確安排了開放式文本生成中的后續(xù)事件。 可以理解為一種經(jīng)過特殊訓(xùn)練的從粗到精的算法，其中事件轉(zhuǎn)換計劃器提供“粗略”的情節(jié)骨架，第二階段的文本生成器細化骨架。
  

Dataset

• LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
  識別事實是做出判斷的最基本步驟，因此檢測法律文件中的事件對于法律案件分析任務(wù)很重要。然而，現(xiàn)有的法律事件檢測(LED)數(shù)據(jù)集僅涉及不全面的事件類型并且注釋數(shù)據(jù)有限，這限制了LED方法及其下游應(yīng)用的發(fā)展。為了緩解這些問題，本篇論文提出了LEVEN，這是一個大型的中文法律事件檢測數(shù)據(jù)集，其中包含 108 種事件類型、8116份法律文件和 150977 次人工標注的事件提及。不僅與控告相關(guān)的事件，LEVEN 還涵蓋了一般事件，這些事件對于法律案件的理解至關(guān)重要，但在現(xiàn)有LED 數(shù)據(jù)集中被忽略了。

Other

• Debiasing Event Understanding for Visual Commonsense Tasks
  本篇論文將事件理解作為視覺常識任務(wù)的關(guān)鍵步驟進行研究。 認為當前基于對象的事件理解是基于似然的，由于事件和對象之間的相關(guān)性存在偏差，導(dǎo)致不正確的事件預(yù)測。 本篇論文建議通過因果關(guān)系研究中提出的do-calculus 來減輕這種偏差，通過基于關(guān)聯(lián)的預(yù)測的優(yōu)化聚合來克服其有限的魯棒性。
  

總結(jié)

以上是生活随笔為你收集整理的ACL 2022事件相关(事件抽取、事件关系抽取、事件预测等)论文汇总的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。