2020-09-27 16:16:35 +08:00
# Event-Extraction（ ）
2020-11-15 21:42:53 +08:00
近年来事件抽取方法总结， ，
2020-09-27 16:10:49 +08:00
2020-09-28 22:22:50 +08:00
2020-10-06 15:13:51 +08:00
# Table of Contents
2020-09-28 22:22:50 +08:00
2020-10-06 15:11:36 +08:00
- [Define ](#define )
- [Surveys ](#surveys )
- [Models ](#models )
- [Datasets ](#datasets )
- [Future Research Challenges ](#future-research-challenges )
2020-09-28 22:22:50 +08:00
< / p > < / blockquote > < / details >
2020-10-06 15:11:36 +08:00
# Define
[:arrow_up: ](#table-of-contents )
2020-09-28 22:05:37 +08:00
2020-09-28 22:08:28 +08:00
### Closed-domain
2020-09-28 22:05:37 +08:00
2020-10-04 16:04:10 +08:00
Closed-domain事件抽取使用预定义的事件模式从文本中发现和提取所需的特定类型的事件。事件模式包含多个事件类型及其相应的事件结构。我们使用ACE术语来介绍如下事件结构:
2020-09-28 22:08:28 +08:00
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 事件提及< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
描述事件的短语或句子，包括触发词和几个参数。
2020-09-28 22:08:28 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 事件触发词< / summary > < blockquote > < p align = "justify" >
2020-11-15 21:42:53 +08:00
最清楚地表达事件发生的主要词，一般指动词或名词。
2020-09-28 22:08:28 +08:00
< / p > < / blockquote > < / details >
2020-09-28 21:55:09 +08:00
2020-09-28 22:15:16 +08:00
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 事件论元< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
一个实体,时间表达式，作为参与者的值和在事件中具有特定角色的属性。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 论元角色< / summary > < blockquote > < p align = "justify" >
2020-11-15 21:42:53 +08:00
论元与它所参与的事件之间的关系。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
2020-09-28 21:55:09 +08:00
2020-11-15 21:42:53 +08:00
D.Ahn首先提出将ACE事件抽取任务分成四个子任务:触发词检测、事件/触发词类型识别、事件论元检测和参数角色识别。
2020-09-28 21:55:09 +08:00
2020-09-28 22:15:16 +08:00
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 事件提及< / summary > < blockquote > < p align = "justify" >
2020-11-15 21:42:53 +08:00
描述事件的短语或句子，包括触发词和论元。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 事件触发词< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
最清楚地表示事件发生的主要词(ACE事件触发词通常是动词或名词)。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
2020-09-28 21:55:09 +08:00
2020-09-28 22:15:16 +08:00
< details / >
< summary / >
2020-11-15 21:42:53 +08:00
< a > 事件论元< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
在事件(即参与者)中涉及的实体提及、时间表达或值(例如工作头衔)。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 论元角色< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
论元和事件同参与者之间的关系。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
2020-09-28 21:55:09 +08:00
2020-09-28 21:51:52 +08:00
2020-09-28 22:08:28 +08:00
### Open domain
2020-09-28 22:15:16 +08:00
2020-11-15 21:42:53 +08:00
在没有预定义的事件模式的情况下，开放域事件提取的目的是从文本中检测事件，在大多数情况下，还可以通过提取的事件关键词聚类相似的事件。事件关键词指的是那些主要描述事件的词/短语，有时关键词还进一步分为触发器和参数。
2020-09-28 21:55:09 +08:00
2020-09-28 22:15:16 +08:00
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 故事分割< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
从新闻中检测故事的边界。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 第一个故事检测< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
检测新闻流中讨论新话题的故事。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
2020-09-28 21:55:09 +08:00
2020-09-28 22:15:16 +08:00
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 话题检测< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
根据讨论的主题将故事分组。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 话题追踪< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
检测讨论先前已知话题的故事。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:13:10 +08:00
< a > 故事链检测< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:04:10 +08:00
决定两个故事是否讨论同一个主题。
2020-09-28 22:15:16 +08:00
< / p > < / blockquote > < / details >
2020-09-28 21:55:09 +08:00
2020-10-04 16:04:10 +08:00
前两个任务主要关注事件检测;其余三个任务用于事件集群。虽然这五项任务之间的关系很明显，但每一项任务都需要一个不同的评价过程，并鼓励采用不同的方法来解决特定问题。
2020-09-27 17:45:09 +08:00
2020-10-06 15:11:36 +08:00
# Surveys
[:arrow_up: ](#table-of-contents )
2020-09-27 17:45:09 +08:00
2020-09-28 21:51:52 +08:00
### 事件抽取综述
2020-09-27 17:45:09 +08:00
2020-09-28 21:51:52 +08:00
< details / >
< summary / >
2020-11-15 21:42:53 +08:00
< a href = "https://doi.org/10.11896/j.issn.1002-137X.2019.08.002" > 元事件抽取研究综述， < / a > by< i > GAO Li-zheng, ZHOU Gang, LUO Jun-yong, LAN Ming-jing
2020-09-28 21:51:52 +08:00
< / a > < / summary > < blockquote > < p align = "justify" >
2020-11-15 21:42:53 +08:00
事件抽取是信息抽取领域的一个重要研究方向,在情报收集、知识提取、文档摘要、知识问答等领域有着广泛应用。写了一篇对当前事件抽取领域研究得较多的元事件抽取任务的综述。首先,简要介绍了元事件和元事件抽取的基本概念,以及元事件抽取的主要实现方法。然后,重点阐述了元事件抽取的主要任务,详细介绍了元事件检测过程,并对其他相关任务进行了概述。最后,总结了元事件抽取面临的问题,在此基础上展望了元事件抽取的发展趋势。
2020-09-28 21:51:52 +08:00
< / p > < / blockquote > < / details >
2020-09-27 17:45:09 +08:00
2020-09-28 21:51:52 +08:00
< details / >
< summary / >
2020-11-15 21:42:53 +08:00
< a href = "http://ceur-ws.org/Vol-779/derive2011_submission_1.pdf" > An Overview of Event Extraction from Text， < / a > by< i > Frederik Hogenboom, Flavius Frasincar, Uzay Kaymak, Franciska de Jong:
2020-09-28 21:51:52 +08:00
< / a > < / summary > < blockquote > < p align = "justify" >
2020-11-15 21:42:53 +08:00
文本挖掘的一个常见应用是事件抽取，它包括推导出与事件相关的特定知识，这些知识重新映射到文本中。事件抽取可处理各种类型的文本，如(在线)新闻消息、博客和手稿。本文献回顾了用于各种事件抽取目的的文本挖掘技术。它提供了关于如何根据用户、可用内容和使用场景选择特定事件抽取技术的一般指南。
2020-09-28 21:51:52 +08:00
< / p > < / blockquote > < / details >
2020-09-27 17:45:09 +08:00
2020-09-27 17:44:34 +08:00
2020-09-28 21:51:52 +08:00
< details / >
< summary / >
2020-11-15 21:42:53 +08:00
< a href = "https://doi.org/10.1109/ACCESS.2019.2956831" > A Survey of Event Extraction from Text， < / a > by< i > Wei Xiang, Bang Wang < / a > < / summary > < blockquote > < p align = "justify" >
事件抽取的任务定义、数据源和性能评估，还为其解决方案方法提供了分类。在每个解决方案组中，提供了最具代表性的方法的详细分析，特别是它们的起源、基础、优势和弱点。最后，对未来的研究方向进行了展望。
2020-09-28 21:51:52 +08:00
< / p > < / blockquote > < / details >
2020-09-27 17:44:34 +08:00
2020-09-27 17:45:09 +08:00
2020-09-27 17:44:34 +08:00
2020-09-28 21:51:52 +08:00
< details / >
< summary / >
2020-11-15 21:42:53 +08:00
< a href = "http://ceur-ws.org/Vol-1988/LPKM2017_paper_15.pdf" > A Survey of Textual Event Extraction from Social Networks， < / a > by< i > Mohamed Mejri, Jalel Akaichi < / a > < / summary > < blockquote > < p align = "justify" >
过去的十年中，在社交网络上挖掘文本内容以抽取相关数据和有用的知识已成为无所不在的任务。文本挖掘的一种常见应用是事件抽取，它被认为是一个复杂的任务，分为不同难度的多个子任务。在本文中，我们对现有的主要文本挖掘技术进行了概述，这些技术可用于许多不同的事件抽取目标。首先，我们介绍基于统计模型将数据转换为知识的主要数据驱动方法。其次，我们介绍了基于专家知识的知识驱动方法，通常通过基于模式的方法来抽取知识。然后，我们介绍结合了数据驱动和知识驱动方法的主要现有混合方法。最后，我们比较社交网络事件抽取研究，概括了每种提出的方法的主要特征。
2020-09-28 21:51:52 +08:00
< / p > < / blockquote > < / details >
2020-09-27 17:44:34 +08:00
2020-09-27 16:10:49 +08:00
2020-09-28 21:51:52 +08:00
< details / >
< summary / >
2020-11-15 21:42:53 +08:00
< a href = "https://doi.org/10.1016/j.dss.2016.02.006" > A Survey of event extraction methods from text for decision support systems， < / a > by< i > Frederik Hogenboom, Flavius Frasincar, Uzay Kaymak, Franciska de Jong, Emiel Caron < / a > < / summary > < blockquote > < p align = "justify" >
事件抽取是一种可以追溯到20世纪80年代的专门的信息抽取流程， ，
2020-10-04 16:04:10 +08:00
然而，到目前为止，对这一特殊领域的概述仍然是难以捉摸的。
2020-11-15 21:42:53 +08:00
因此，我们总结了文本数据的事件提取技术，划分成数据驱动、知识驱动和混合方法三类，并对这些方法进行了定性评价。
2020-10-04 16:04:10 +08:00
此外，还讨论了从文本语料库中抽取事件的常见决策支持应用。
最后，对事件抽取系统的评价进行了阐述，并指出了当前的研究问题。
2020-09-28 21:51:52 +08:00
< / p > < / blockquote > < / details >
2020-10-06 15:11:36 +08:00
# Models
2020-09-27 16:10:49 +08:00
[:arrow_up: ](#table-of-contents )
2020-09-28 22:05:37 +08:00
2020-09-28 22:06:37 +08:00
### 事件抽取
2020-09-28 22:05:37 +08:00
2020-10-04 10:59:15 +08:00
2020-09-27 16:10:49 +08:00
#### 2020
< details / >
< summary / >
2020-11-15 22:16:26 +08:00
< a href = "https://arxiv.org/abs/1912.01586" > Reading the Manual: Event Extraction as Definition Comprehension, EMNLP 2020 by< i > Yunmo Chen, Tongfei Chen, Seth Ebner, Benjamin Van Durme
2020-10-06 15:17:16 +08:00
(< a > (< a href = "https://link.zhihu.com/?target=https%3A//github.com/231sm/Low_Resource_KBP" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
2020-11-15 22:16:26 +08:00
动机：提出一种新颖的事件提取方法，为模型提供带有漂白语句（实体用通用的方式指代）的模型。漂白语句是指基于注释准则、描述事件发生的通常情况的机器可读的自然语言句子。实验结果表明，模型能够提取封闭本体下的事件，并且只需阅读新的漂白语句即可将其推广到未知的事件类型。
2020-10-04 10:37:34 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 15:04:37 +08:00
2020-11-15 22:16:26 +08:00
主要思想： ， ， ， ； ，
2020-10-04 10:37:34 +08:00
2020-10-03 23:21:52 +08:00
数据集：
2020-10-04 10:37:34 +08:00
2020-09-27 16:10:49 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-06 15:17:16 +08:00
< a > Open-domain Event Extraction and Embedding for Natural Gas Market Prediction, arxiv 2020 by< i > Chau, Minh Triet and Esteves, Diego and Lehmann, Jens
(< a > (< a href = "https://github.com/" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
2020-10-03 23:21:52 +08:00
动机：以前的方法大多数都将价格视为可推断的时间序列，那些分析价格和新闻之间的关系的方法是根据公共新闻数据集相应地修正其价格数据、手动注释标题或使用现成的工具。与现成的工具相比，我们的事件提取方法不仅可以检测现象的发生，还可以由公共来源检测变化的归因和特征。
2020-10-04 18:17:03 +08:00
2020-10-04 15:04:37 +08:00
2020-10-03 23:21:52 +08:00
主要思想： ， ，
2020-10-04 15:04:37 +08:00
2020-10-03 23:21:52 +08:00
数据集：
2020-09-27 16:10:49 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:04:37 +08:00
2020-09-27 16:10:49 +08:00
#### 2019
2020-10-04 15:04:37 +08:00
2020-09-27 16:10:49 +08:00
< details / >
< summary / >
2020-10-04 15:04:37 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P19-1522" > Exploring Pre-trained Language Models for Event Extraction and Geenration, ACL 2019< / a > by< i > Yang, Sen and Feng, Dawei and Qiao, Linbo and Kan, Zhigang and Li, Dongsheng
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
ACE事件抽取任务的传统方法通常依赖被手动注释过的数据，
2020-10-04 20:11:29 +08:00
2020-10-04 20:04:21 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
本文提出了一个基于预训练语言模型的框架，该框架包含一个作为基础的事件抽取模型以及一种生成被标记事件的方法。我们提出的事件抽取模型由触发词抽取器和论元抽取器组成，论元抽取器用前者的结果进行推理。此外，我们根据角色的重要性对损失函数重新进行加权，从而提高了论元抽取器的性能。
数据集：
Keywords: Context-aware word representation, LSTM, Tensor layer
2020-10-03 23:21:52 +08:00
2020-09-27 16:10:49 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:04:37 +08:00
2020-09-27 16:10:49 +08:00
< details / >
< summary / >
2020-10-04 15:04:37 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P19-1276/" > Open Domain Event Extraction Using Neural Latent Variable Models, ACL2019 < / a > by< i > Xiao Liu and Heyan Huang and Yue Zhang
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/lx865712528/ACL2019-ODEE" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
我们考虑开放领域的事件提取，即从新闻集群中抽取无约束的事件类型的任务。结果表明，与最新的事件模式归纳方法相比，这种无监督模型具有更好的性能。
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
以前关于生成模式归纳的研究非常依赖人工生成的指标特征，而我们引入了由神经网络产生的潜在变量来获得更好的表示能力。我们设计了一种新颖的图形模型，该模型具有潜在的事件类型矢量以及实体的文本冗余特征，而这些潜在的事件类型矢量来自全局参数化正态分布的新闻聚类。
数据集：
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P19-3006/" > Rapid Customization for Event Extraction, ACL 2019 < / a > by< i > Yee Seng Chan, Joshua Fasching, Haoling Qiu, Bonan Min
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/BBN-E/Rapid-customization-events-acl19" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
从文本中获取事件发生的时间、地点、人物以及具体做了什么是很多应用程序（例如网页搜索和问题解答）的核心信息抽取任务之一。本文定义了一种快速自定义事件抽取功能的系统，用于查找新的事件类型以及他们的论元。
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
为了能够提抽新类型的事件，我们提出了一种新颖的方法：让用户通过探索无注释的语料库来查找，扩展和过滤事件触发词。然后，系统将自动生成相应级别的事件注释，并训练神经网络模型以查找相应事件。
数据集：
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1030/" > Cross-lingual Structure Transfer for Relation and Event Extraction, EMNLP 2019) < / a > by< i > Ananya Subburathinam, Di Lu, Heng Ji, Jonathan May, Shih-Fu Chang, Avirup Sil, Clare Voss
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
从资源不足以及注释不足的语料库中进行复杂语义结构的识别（例如事件和实体关系）是很困难的，这已经变成了一个很有挑战性的信息抽取任务。
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
通过使用卷积神经网络，将所有实体信息片段、事件触发词、事件背景放入一个复杂的、结构化的多语言公共空间，然后我们可以从源语言注释中训练一个事件抽取器，并将它应用于目标语言。
数据集：
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1032/" > Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event Extraction, EMNLP2019 < / a > by< i > Shun Zheng, Wei Cao, Wei Xu, Jiang Bian
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
2020-10-03 23:21:52 +08:00
任务:与其他研究不同，该任务被定义为：事件框架填充：也就是论元检测+识别
不同点有：不需要触发词检测;文档级的抽取;论元有重叠
2020-09-27 16:10:49 +08:00
2020-10-03 23:21:52 +08:00
动机:解码论元需要一定顺序，先后有关
2020-09-27 16:10:49 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-03 23:21:52 +08:00
主要思想:发布数据集， ：
数据集:ten years (2008-2018) Chinese financial announcements：
< / p > < / blockquote > < / details >
2020-09-27 16:10:49 +08:00
2020-10-04 15:04:37 +08:00
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1585" > Entity, Relation, and Event Extraction with Contextualized Span Representations, CCL 2016 < / a > by< i > David Wadden, Ulme Wennberg, Yi Luan, Hannaneh Hajishirzi
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/dwadden/dygiepp" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
许多信息提取任务（例如被命名的实体的识别，关系提取，事件抽取和共指消解）都可以从跨句子的全局上下文或无局部依赖性的短语中获益。
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
（ ） ，
（ ）
数据集：
< / p > < / blockquote > < / details >
2020-09-28 22:05:37 +08:00
< details / >
< summary / >
2020-10-04 15:04:37 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1584/" > HMEAE: Hierarchical Modular Event Argument Extraction, EMNLP 2019 short(< a href = "https://link.zhihu.com/?target=https%3A//github.com/thunlp/HMEAE" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
2020-10-03 23:21:52 +08:00
任务:事件角色分类
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-03 23:21:52 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-03 23:21:52 +08:00
动机:论元的类型（ ）
2020-10-04 15:04:37 +08:00
数据集:ACE 2005
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:04:37 +08:00
2020-10-03 23:24:57 +08:00
< details / >
< summary / >
2020-10-04 15:04:37 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1041/" > Joint Event and Temporal Relation Extraction with Shared Representations and Structured Prediction, EMNLP 2019 < / a > by< i > Rujun Han, Qiang Ning, Nanyun Peng
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
事件之间的时间关系的提取是一项重要的自然语言理解（ ） ， ，
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
（ ） ： ，
（ ）
数据集：
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1027/" > Open Event Extraction from Online Text using a Generative Adversarial Network, EMNLP 2019 < / a > by< i > Rui Wang, Deyu Zhou, Yulan He
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
提取开放域事件的结构化表示的方法通常假定文档中的所有单词都是从单个事件中生成的， ， ， （ ）
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
AEM使用Dirichlet先验对事件建模，
数据集：
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1909.02126.pdf" > Reporting the unreported: Event Extraction for Analyzing the Local Representation of Hate Crimes, EMNLP 2019< / a > by< i > Aida Mostafazadeh Davani etal.
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/aiida-/HateCrime" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
将事件提取和多实例学习应用于本地新闻文章的语料库，可以用来预测仇恨犯罪的发生。
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
根据是否为仇恨罪标记每篇文章的任务被定义为多实例学习（ ） ， ，
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.ijcai.org/proceedings/2019/753" > Extracting entities and events as a single task using a transition-based neural model, IJCAI 2019 < / a > by< i > Zhang, Junchi and Qin, Yanxia and Zhang, Yue and Liu, Mengchi and Ji, Donghong
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/zjcerwin/TransitionEvent" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
事件抽取任务包括许多子任务： ， ， ， ， ， ， ， ，
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
使用transition-based的框架， ， ， ， ， ，
数据集：
Keywords: Context-aware word representation, LSTM, Tensor layer
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/N19-1145/" > Biomedical Event Extraction based on Knowledge-driven Tree-LSTM, CCL 2016 < / a > by< i > Diya Li, Lifu Huang, Heng Ji, Jiawei Han
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
生物医学领域的事件抽取比一般新闻领域的事件抽取更具挑战性， ， （ ） （ ）
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 15:04:37 +08:00
主要思想：
该框架合并了两种功能： （ ） （ ） （ ） （ ）
数据集：
Keywords: Knowledge-driven Tree-LSTM
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//ieeexplore.ieee.org/document/8643786" > Joint Event Extraction Based on Hierarchical Event Schemas From FrameNet, EMNLP 2019 short< / a > by< i > Wei Li , Dezhi Cheng, Lei He, Yuanzhuo Wang, Xiaolong Jin
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
2020-10-03 23:24:57 +08:00
动机： ， （ ） ， ， ， ， ，
2020-10-04 18:17:03 +08:00
2020-10-03 23:24:57 +08:00
主要思想： （ ） ， （ ） （ ） （ ） ，
数据集： ，
< / p > < / blockquote > < / details >
2020-09-28 22:05:37 +08:00
2020-10-04 15:04:37 +08:00
< details / >
< summary / >
< a > One for All: Neural Joint Modeling of Entities and Events, AAAI 2019 < / a > by< i > Trung Minh Nguyen∗
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
2020-10-04 16:13:10 +08:00
事件提取之前的工作主要关注于对事件触发器和参数角色的预测，将实体提及视为由人工注释器提供的。
这是不现实的，因为实体提到通常是由一些现有工具包预测的，它们的错误可能会传播到事件触发器和参数角色识别。
最近很少有研究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，这种工作仅限于使用离散的工程特征来表示单个任务及其交互的上下文信息。
在这项工作中，我们提出了一个新的模型来联合执行实体提及，事件触发和论点的预测基于共享的隐藏表示从深度学习。
实验证明了该方法的优点，导致了最先进的性能事件提取。
2020-10-04 15:04:37 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 11:05:39 +08:00
2020-10-04 16:13:10 +08:00
数据集：
2020-10-04 11:05:39 +08:00
2020-10-04 15:04:37 +08:00
< / p > < / blockquote > < / details >
2020-10-04 11:05:39 +08:00
2020-10-04 14:12:32 +08:00
#### 2018
2020-10-04 13:45:11 +08:00
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1712.03665.pdf" > Scale up event extraction learning via automatic training data generation, AAAI 2018< / a > by< i > Zeng, Ying and Feng, Yansong and Ma, Rong and Wang, Zheng and Yan, Rui and Shi, Chongde and Zhao, Dongyan
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：现有的训练数据必须通过专业领域知识以及大量的参与者来手动生成，这样生成的数据规模很小，严重影响训练出来的模型的质量。因此我们开发了一种自动生成事件抽取训练数据的方法。
2020-10-04 20:11:29 +08:00
2020-10-04 13:45:11 +08:00
主要思想：我们提出了一种基于神经网络和线性规划的事件抽取框架，该模型不依赖显式触发器，而是使用一组关键论元来表征事件类型。这样就去不需要明确识别事件的触发因素，进而降低了人力参与的需求。
数据集：
Keywords: Data Generation, Distant Supervision
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P18-4009" > DCFFE: A Document-level Chinese Financial Event Extraction System based on Automatically Labelled Training Data, ACL 2018 < / a > by< i > Yang, Hang and Chen, Yubo and Liu, Kang and Xiao, Yang and Zhao, Jun
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：在某些特定领域，例如金融，医疗和司法领域，由于数据标记过程的成本很高，因此标记数据不足。此外，当前大多数方法都关注于从一个句子中提取事件，但通常在一个文档中，一个事件由多个句子表示。我们提出一种方法来解决这个问题。
主要思想： ， ， ，
数据集：
Keywords: Automatically Labelled, Chinese Financial EE
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=http%3A//shalei120.github.io/docs/sha2018Joint.pdf" > Jointly Extraction Event Triggers and Arguments by Dependency-Bridge RNN and Tensor-Based Argument Interaction, AAAI 2018 < / a > by< i > Sha, Lei and Qian, Feng and Chang, Baobao and Sui, Zhifang
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机： ， ， ， ， ， ， ，
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 13:45:11 +08:00
主要思想：
（ ） ， ； ，
（ ）
（ ）
数据集：
Keywords: dbRNN
2020-10-04 14:12:32 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://www.aclweb.org/anthology/P18-1201" > Zero-Shot Transfer Learning for Event Extraction, ACL2018 < / a > by< i > Lifu Huang, Heng Ji, Kyunghyun Cho, Ido Dagan, Sebastian Riedel, Clare R. Voss
(< a href = "https://github.com/wilburOne/ZeroShotEvent" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：以前大多数受监督的事件提取方法都依赖手动注释派生的特征，因此，如果没有额外的注释工作，这些方法便无法应对于新的事件类型。我们设计了一个新的框架来解决这个问题。
2020-10-04 20:11:29 +08:00
2020-10-04 14:12:32 +08:00
主要思想：每个事件都有由候选触发词和论元组成的结构，同时这个结构具有和事件类型及论元相一致的预定义的名字和标签。 我们增加了事件类型以及事件信息片段的语义代表( semantic representations)，并根据目标本体中定义的事件类型和事件信息片段的语义相似性来决定事件的类型
数据集：
Keywords: Zero-Shot Transfer
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P18-4009" > DCFFE: A Document-level Chinese Financial Event Extraction System based on Automatically Labelled Training Data, ACL 2018 < / a > by< i > Yang, Hang and Chen, Yubo and Liu, Kang and Xiao, Yang and Zhao, Jun
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：在某些特定领域，例如金融，医疗和司法领域，由于数据标记过程的成本很高，因此标记数据不足。此外，当前大多数方法都关注于从一个句子中提取事件，但通常在一个文档中，一个事件由多个句子表示。我们提出一种方法来解决这个问题。
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 14:12:32 +08:00
主要思想： ， ， ，
数据集：
Keywords: Automatically Labelled, Chinese Financial EE
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//blender.cs.illinois.edu/paper/imitation2019.pdf" > Joint Entity and Event Extraction with Generative Adversarial Imitation Learning, CCL 2016 < / a > by< i > Tongtao Zhang and Heng Ji and Avirup Sil
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机:我们提出了一种基于生成对抗的模仿学习的实体与事件抽取框架， （ ）
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 14:12:32 +08:00
主要思想：在本文中，我们提出了一种动态机制——逆强化学习，直接评估实体和事件提取中实例的正确和错误标签。 我们为案例分配明确的分数， （ ） ， （ ）
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D18-1156" > Joint Multiple Event Extraction via Attention-based Graph Information Aggregration, EMNLP 2018 < / a > by< i > Liu, Xiao and Luo, Zhunchen and Huang, Heyan
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/lx865712528/EMNLP2018-JMEE/" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：比提取单个事件更困难。在以往的工作中，由于捕获远距离的依赖关系效率很低，因此通过顺序建模的方法在对事件之间的联系进行建模很难成功。本文提出了一种新的框架来解决这个问题。
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 14:12:32 +08:00
主要思想： （ ） ， （ ） ，
数据集：
Keywords: JMEE
2020-10-04 13:45:11 +08:00
< / p > < / blockquote > < / details >
2020-10-04 14:12:32 +08:00
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/N18-2058/" > Semi-supervised event extraction with paraphrase clusters, NAACL 2018< / a > by< i > Ferguson, James and Lockard, Colin and Weld, Daniel and Hajishirzi, Hannaneh
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
受监督的事件抽取系统由于缺乏可用的训练数据而其准确性受到限制。我们提出了一种通过对额外的训练数据进行重复抽样来使事件提取系统自我训练的方法。这种方法避免了训练数据缺乏导致的问题。
2020-10-04 13:45:11 +08:00
2020-10-04 14:12:32 +08:00
主要思想：
我们通过详细的事件描述自动生成被标记过的训练数据，然后用这些数据进行事件触发词识别。具体来说，首先，将提及该事件的片段聚集在一起，形成一个聚类。然后用每个聚类中的简单示例来给整个聚类贴一个标签。最后，我们将新示例与原始训练集结合在一起，重新训练事件抽取器。
2020-10-04 13:45:11 +08:00
2020-10-04 14:12:32 +08:00
数据集：
2020-10-04 13:45:11 +08:00
2020-10-04 14:12:32 +08:00
Keywords: Semi-supervised
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=http%3A//www.cips-cl.org/static/anthology/CCL-2016/CCL-16-081.pdf" > Jointly multiple events extraction via attention-based graph information aggregation, EMNLP 2018 < / a > by< i > Xiao Liu, Zhunchen Luo‡ and Heyan Huang
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
任务:
触发词分类；论元分类
动机:
论元的语法依存关系
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 14:12:32 +08:00
主要思想：
用GCN增强论元之间的依存关系
用自注意力来增强触发词分类的效果
数据集：
< / p > < / blockquote > < / details >
2020-10-04 13:45:11 +08:00
#### 2017
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P17-1038" > Automatically Labeled Data Generation for Large Scale Event Extraction, ACL 2017 < / a > by< i > Chen, Yubo and Liu, Shulin and Zhang, Xiang and Liu, Kang and Zhao, Jun
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/acl2017submission/event-data" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：手动标记的训练数据成本太高，事件类型覆盖率低且规模有限，这种监督的方法很难从知识库中抽取大量事件。
2020-10-04 20:11:29 +08:00
2020-10-04 13:45:11 +08:00
主要思想： ） ） ， ）
数据集：
Keywords: Data Generation, Distant Supervision
< / p > < / blockquote > < / details >
2020-10-04 11:05:39 +08:00
#### 2016
< details / >
< summary / >
< a href = "https://www.aclweb.org/anthology/P16-1116" > RBPB Regularization Based Pattern Balancing Method for Event Extraction,ACL2016 < / a > by< i > Sha, Lei and Liu, Jing and Lin, Chin-Yew and Li, Sujian and Chang, Baobao and Sui, Zhifang
2020-10-04 11:06:38 +08:00
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
2020-10-04 11:05:39 +08:00
动机： ， （ ） ， （ ） ， ， ， ，
2020-10-04 20:11:29 +08:00
2020-10-04 11:05:39 +08:00
主要思想：在本文中，我们同时使用‘模式’和‘特征’来识别和分类‘事件触发器’。 此外，我们使用正则化方法对候选自变量之间的关系进行建模，以提高自变量识别的性能。 我们的方法称为基于正则化的模式平衡方法。
数据集：
Keywords: Embedding & Pattern features, Regularization method
< / p > < / blockquote > < / details >
2020-10-04 13:07:32 +08:00
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/C16-1114" > Leveraging Multilingual Training for Limited Resource Event Extraction, COLING 2016 < / a > by< i > Hsi, Andrew and Yang, Yiming and Carbonell, Jaime and Xu, Ruochen
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：迄今为止，利用跨语言培训来提高性能的工作非常有限。因此我们提出了一种新的事件抽取方法。
2020-10-04 20:11:29 +08:00
2020-10-04 13:07:32 +08:00
主要思想：在本文中，我们提出了一种新颖的跨语言事件抽取方法，该方法可在多种语言上进行训练，并利用依赖于语言的特征和不依赖于语言的特征来提高性能。使用这种系统，我们旨在同时利用可用的多语言资源（带注释的数据和引入的特征）来克服目标语言中的注释稀缺性问题。 从经验上我们认为，我们的方法可以极大地提高单语系统对中文事件论元提取任务的性能。 与现有工作相比，我们的方法是新颖的，我们不依赖于使用高质量的机器翻译的或手动对齐的文档，这因为这种需求对于给定的目标语言可能是无法满足的。
数据集：
Keywords: Training on multiple languages using a combination of both language-dependent and language-independent features
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=http%3A//www.cips-cl.org/static/anthology/CCL-2016/CCL-16-081.pdf" > Event Extraction via Bidirectional Long Short-Term Memory Tensor Neural Network, CCL 2016 < / a > by< i > Chen, Yubo and Liu, Shulin and He, Shizhu and Liu, Kang and Zhao, Jun
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
主要思想：
数据集：
Keywords: Context-aware word representation, LSTM, Tensor layer
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P18-1145.pdf" > A convolution bilstm neural network model for chinese event extraction, NLPCC 2016 < / a > by< i > Lin, Hongyu and Lu, Yaojie and Han, Xianpei and Sun, Le
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/sanmusunrise/NPNs" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机： ， ， ， ，
2020-10-04 20:11:29 +08:00
2020-10-04 13:07:32 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 13:07:32 +08:00
主要思想： ， ， ，
数据集： ，
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 13:13:40 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P16-1025/" > Liberal Event Extraction and Event Schema Induction, AACL 2016 < / a > by< i > Lifu Huang, Taylor Cassidy, Xiaocheng Feng, Heng Ji, Clare R. Voss, Jiawei Han, Avirup Sil
2020-10-04 13:07:32 +08:00
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：结合了象征式的（例如抽象含义表示）和分布式的语义来检测和表示事件结构，并采用同一个类型框架来同时提取事件类型和论元角色并发现事件模式。这种模式的提取性能可以与被预定义事件类型标记过的大量数据训练的监督模型相媲美。
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 13:07:32 +08:00
主要思想：我们试图将事件触发器和事件论元聚类，每个聚类代表一个事件类型。 我们将分布的相似性用于聚类的距离度量。分布假设指出，经常出现在相似语境中的单词往往具有相似的含义。
两个基本假设： ） ） ， ，
数据集：
< / p > < / blockquote > < / details >
2020-10-04 11:05:39 +08:00
2020-10-04 13:13:40 +08:00
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/N16-1049/" > Joint Learning Templates and Slots for Event Schema Induction, NAACL 2016 < / a > by< i > Lei Sha, Sujian Li, Baobao Chang, Zhifang Sui
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/shenglih/normalized_cut/tree/master" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机： ， （ ） ，
主要思想： ，
数据集：
< / p > < / blockquote > < / details >
2020-10-04 13:45:11 +08:00
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/N16-1034" > Joint Event Extraction via Recurrent Neural Networks, NAACL 2016 < / a > by< i > Chen, Yubo and Liu, Shulin and He, Shizhu and Liu, Kang and Zhao, Jun
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
任务:给定实体标签；通过序列标注识别触发词和论元
2020-10-04 13:13:40 +08:00
2020-10-04 13:45:11 +08:00
动机:论元之间有着相关关系，某些论元已经识别出来可能会导致一些论元共现,RNN减少错误传播
2020-10-04 13:13:40 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 13:13:40 +08:00
2020-10-04 13:45:11 +08:00
主要思想:使用RNN来标注要素，
2020-10-04 13:13:40 +08:00
2020-10-04 13:45:11 +08:00
数据集：
2020-10-04 13:13:40 +08:00
2020-10-04 13:45:11 +08:00
Keywords: RNN, Joint Event Extraction
2020-10-04 13:13:40 +08:00
2020-10-04 13:45:11 +08:00
< / p > < / blockquote > < / details >
2020-10-04 13:13:40 +08:00
2020-10-04 11:16:19 +08:00
#### 2015
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P15-1017" > Event Extraction via Dynamic Multi-Pooling Convolutional Neural Networks, ACL2015 < / a > by< i > Yubo Chen, Liheng Xu, Kang Liu, Daojian Zeng and Jun Zhao
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
任务：给定候选实体的位置；完成触发词识别，触发词分类，论元识别，论元分类
动机：在于一个句子中可能会有多个事件，如果只用一个池化将导致多个事件的句子级特征没有区别。因此引入动态多池化
2020-10-04 20:11:29 +08:00
2020-10-04 11:16:19 +08:00
主要思想： ，
数据集：
keywords: DMCNN, CNN, Dynamic Multi-Pooling
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P15-1019/" > Generative Event Schema Induction with Entity Disambiguation, AACL2015 < / a > by< i > Kiem-Hieu Nguyen, Xavier Tannier, Olivier Ferret, Romaric Besançon
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：以往文献中的方法仅仅使用中心词来代表实体，然而除了中心词，别的元素也包含了很多重要的信息。这篇论文提出了一种事件模式归纳的生成模型来解决这个问题。
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 11:16:19 +08:00
主要思想： （ ） ： ， ， ， ， ，
数据集：
keywords: DMCNN, CNN, Dynamic Multi-Pooling
< / p > < / blockquote > < / details >
2020-09-28 22:05:37 +08:00
2020-10-03 23:21:52 +08:00
2020-10-04 16:13:10 +08:00
2020-09-28 22:22:50 +08:00
### Few-shot or zero-shot
2020-09-28 22:05:37 +08:00
2020-09-28 22:34:09 +08:00
#### 2020
2020-09-28 22:05:37 +08:00
< details / >
< summary / >
2020-10-04 16:25:55 +08:00
< a href = "https://arxiv.org/abs/1907.11692" > Meta-Learning with Dynamic-Memory-Based Prototypical Network for Few-Shot Event Detection, WSDM 2020< / a > by< i > Shumin Deng, Ningyu Zhang, Jiaojian Kang, Yichi Zhang, Wei Zhang, Huajun Chen
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
事件检测(ED)是事件提取的一个子任务，涉及到识别触发器和对提到的事件进行分类。
现有的方法主要依赖于监督学习，并需要大规模的标记事件数据集，不幸的是，这些数据集在许多实际应用中并不容易获得。
在这篇论文中，我们考虑并重新制定了一个有限标记数据的教育任务作为一个少镜头的学习问题。
我们提出了一个基于动态记忆的原型网络(DMB-PN)，它利用动态记忆网络(DMN)不仅可以更好地学习事件类型的原型，还可以为提到事件生成更健壮的句子编码。
传统的原型网络只使用一次事件提及次数， ， ， ， ，
实验表明， ， ，
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
2020-09-28 22:34:09 +08:00
< details / >
< summary / >
2020-10-04 16:25:55 +08:00
< a href = "https://arxiv.org/abs/1907.11692" > Exploiting the Matching Information in the Support Set for Few Shot Event Classification, PAKDD 2020< / a > by< i > Viet Dac Lai, Franck Dernoncourt, Thien Huu Nguyen
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
现有的事件分类(EC)的工作主要集中在传统的监督学习设置，其中模型无法提取的事件提到新的/看不见的事件类型。
尽管EC模型能够将其操作扩展到未观察到的事件类型，
为了填补这一空白，在本研究中，我们调查了在少镜头学习设置下的事件分类。
针对这一问题，我们提出了一种新的训练方法，即在训练过程中扩展利用支持集。
特别地，除了将查询示例与用于训练的支持集中的示例进行匹配之外，我们还试图进一步匹配支持集中本身的示例。
该方法为模型提供了更多的训练信号，可应用于各种基于度量学习的少镜头学习方法。
我们在两个EC基准数据集上的广泛实验表明，
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 16:25:55 +08:00
< a href = "https://arxiv.org/abs/1907.11692" > Towards Few-Shot Event Mention Retrieval : An Evaluation Framework and A Siamese Network Approach, LREC 2020< / a > by< i > Bonan Min, Yee Seng Chan, Lingjun Zhao
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
在大量的文本中自动分析事件对于情境意识和决策是至关重要的。
以前的方法将事件提取视为“一刀切”，并预先定义了本体。
所建立的提取模型用于提取本体中的类型。
这些方法不能很容易地适应新的事件类型或感兴趣的新领域。
为了满足以事件为中心的个性化信息需求，本文引入了少镜头事件提及检索(EMR)任务:给定一个由少量事件提及组成的用户提供的查询，返回在语料库中找到的相关事件提及。
这个公式支持“按例查询”，这大大降低了指定以事件为中心的信息需求的门槛。
检索设置还支持模糊搜索。
我们提供了一个利用现有事件数据集(如ACE)的评估框架。
我们还开发了一个连体网络方法，
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
2020-10-04 16:25:55 +08:00
2020-09-28 22:34:09 +08:00
#### 2018
< details / >
< summary / >
2020-10-04 16:25:55 +08:00
< a href = "https://arxiv.org/abs/1907.11692" > Zero-Shot Transfer Learning for Event Extraction, ACL 2018< / a > by< i > Lifu Huang, Heng Ji, Kyunghyun Cho, Ido Dagan, Sebastian Riedel, Clare R. Voss
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
以前的大多数事件提取研究都严重依赖于从注释的事件提到中衍生出来的特性，因此如果不进行注释就不能应用于新的事件类型。
在这项工作中，我们重新审视事件提取，并将其建模为一个接地问题。
我们设计一个可转让的神经结构,映射事件提到和类型共同到一个共享语义空间使用神经网络结构和组成,每个事件提到的类型可以由所有候选人的最亲密的类型。
通过利用(1)一组现有事件类型可用的手工注释和(2)现有事件本体，我们的框架应用于新的事件类型而不需要额外的注释。
在现有事件类型(如ACE、ERE)和新事件类型(如FrameNet)上的实验证明了我们的方法的有效性。
对于23种新的事件类型， ，
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
2020-09-28 22:05:37 +08:00
2020-09-28 22:06:37 +08:00
### 中文事件抽取
2020-09-28 22:05:37 +08:00
#### 2019
< details / >
< summary / >
2020-10-04 15:16:07 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1032/" > Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event Extraction, EMNLP2019 < / a > by< i > Shun Zheng, Wei Cao, Wei Xu, Jiang Bian
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
任务:与其他研究不同，该任务被定义为：事件框架填充：也就是论元检测+识别
不同点有：不需要触发词检测;文档级的抽取;论元有重叠
动机:解码论元需要一定顺序，先后有关
主要思想:发布数据集， ：
数据集:ten years (2008-2018) Chinese financial announcements：
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 15:16:07 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1030/" > Cross-lingual Structure Transfer for Relation and Event Extraction, EMNLP 2019) < / a > by< i > Ananya Subburathinam, Di Lu, Heng Ji, Jonathan May, Shih-Fu Chang, Avirup Sil, Clare Voss
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
从资源不足以及注释不足的语料库中进行复杂语义结构的识别（例如事件和实体关系）是很困难的，这已经变成了一个很有挑战性的信息抽取任务。
2020-10-04 20:11:29 +08:00
2020-10-04 15:16:07 +08:00
主要思想：
通过使用卷积神经网络，将所有实体信息片段、事件触发词、事件背景放入一个复杂的、结构化的多语言公共空间，然后我们可以从源语言注释中训练一个事件抽取器，并将它应用于目标语言。
数据集：
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:16:07 +08:00
#### 2018
< details / >
2020-09-28 22:34:09 +08:00
< summary / >
2020-10-04 15:16:07 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P18-4009" > DCFFE: A Document-level Chinese Financial Event Extraction System based on Automatically Labelled Training Data, ACL 2018 < / a > by< i > Yang, Hang and Chen, Yubo and Liu, Kang and Xiao, Yang and Zhao, Jun
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：在某些特定领域，例如金融，医疗和司法领域，由于数据标记过程的成本很高，因此标记数据不足。此外，当前大多数方法都关注于从一个句子中提取事件，但通常在一个文档中，一个事件由多个句子表示。我们提出一种方法来解决这个问题。
2020-10-04 20:11:29 +08:00
2020-10-04 20:02:39 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 20:02:39 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 15:16:07 +08:00
主要思想： ， ， ，
数据集：
Keywords: Automatically Labelled, Chinese Financial EE
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:16:07 +08:00
#### 2016
2020-09-28 22:34:09 +08:00
< details / >
< summary / >
2020-10-04 15:16:07 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P18-1145.pdf" > A convolution bilstm neural network model for chinese event extraction, NLPCC 2016 < / a > by< i > Lin, Hongyu and Lu, Yaojie and Han, Xianpei and Sun, Le
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/sanmusunrise/NPNs" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机： ， ， ， ，
2020-10-04 20:11:29 +08:00
2020-10-04 20:02:39 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 15:16:07 +08:00
主要思想： ， ， ，
数据集： ，
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:16:07 +08:00
### 半监督\远程监督事件抽取
2020-09-28 22:34:09 +08:00
#### 2018
< details / >
< summary / >
2020-10-04 15:16:07 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/N18-2058/" > Semi-supervised event extraction with paraphrase clusters, NAACL 2018< / a > by< i > Ferguson, James and Lockard, Colin and Weld, Daniel and Hajishirzi, Hannaneh
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
受监督的事件抽取系统由于缺乏可用的训练数据而其准确性受到限制。我们提出了一种通过对额外的训练数据进行重复抽样来使事件提取系统自我训练的方法。这种方法避免了训练数据缺乏导致的问题。
主要思想：
我们通过详细的事件描述自动生成被标记过的训练数据，然后用这些数据进行事件触发词识别。具体来说，首先，将提及该事件的片段聚集在一起，形成一个聚类。然后用每个聚类中的简单示例来给整个聚类贴一个标签。最后，我们将新示例与原始训练集结合在一起，重新训练事件抽取器。
数据集：
Keywords: Semi-supervised
2020-09-28 22:34:09 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:16:07 +08:00
### 开放域事件抽取
#### 2020
2020-09-28 22:34:09 +08:00
< details / >
< summary / >
2020-10-04 15:16:07 +08:00
< a > Open-domain Event Extraction and Embedding for Natural Gas Market Prediction, arxiv 2020 (< a href = "https://github.com/" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：以前的方法大多数都将价格视为可推断的时间序列，那些分析价格和新闻之间的关系的方法是根据公共新闻数据集相应地修正其价格数据、手动注释标题或使用现成的工具。与现成的工具相比，我们的事件提取方法不仅可以检测现象的发生，还可以由公共来源检测变化的归因和特征。
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 15:16:07 +08:00
主要思想： ， ，
2020-09-28 22:34:09 +08:00
2020-10-04 15:16:07 +08:00
数据集：
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
#### 2019
< details / >
< summary / >
2020-10-04 15:16:07 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P19-1276/" > Open Domain Event Extraction Using Neural Latent Variable Models, ACL2019 < / a > by< i > Xiao Liu and Heyan Huang and Yue Zhang
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/lx865712528/ACL2019-ODEE" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
我们考虑开放领域的事件提取，即从新闻集群中抽取无约束的事件类型的任务。结果表明，与最新的事件模式归纳方法相比，这种无监督模型具有更好的性能。
主要思想：
以前关于生成模式归纳的研究非常依赖人工生成的指标特征，而我们引入了由神经网络产生的潜在变量来获得更好的表示能力。我们设计了一种新颖的图形模型，该模型具有潜在的事件类型矢量以及实体的文本冗余特征，而这些潜在的事件类型矢量来自全局参数化正态分布的新闻聚类。
数据集：
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
< details / >
< summary / >
2020-10-04 15:16:07 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1909.02126.pdf" > Reporting the unreported: Event Extraction for Analyzing the Local Representation of Hate Crimes, EMNLP 2019< / a > by< i > Aida Mostafazadeh Davani etal.
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/aiida-/HateCrime" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
将事件提取和多实例学习应用于本地新闻文章的语料库，可以用来预测仇恨犯罪的发生。
2020-10-04 20:11:29 +08:00
2020-10-04 15:16:07 +08:00
主要思想：
根据是否为仇恨罪标记每篇文章的任务被定义为多实例学习（ ） ， ，
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:16:07 +08:00
2020-09-28 22:06:37 +08:00
### 多语言事件抽取
2020-09-28 22:05:37 +08:00
#### 2019
< details / >
< summary / >
2020-10-04 15:42:55 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1030/" > Cross-lingual Structure Transfer for Relation and Event Extraction, EMNLP 2019) < / a > by< i > Ananya Subburathinam, Di Lu, Heng Ji, Jonathan May, Shih-Fu Chang, Avirup Sil, Clare Voss
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
从资源不足以及注释不足的语料库中进行复杂语义结构的识别（例如事件和实体关系）是很困难的，这已经变成了一个很有挑战性的信息抽取任务。
2020-10-04 20:11:29 +08:00
2020-10-04 15:42:55 +08:00
主要思想：
通过使用卷积神经网络，将所有实体信息片段、事件触发词、事件背景放入一个复杂的、结构化的多语言公共空间，然后我们可以从源语言注释中训练一个事件抽取器，并将它应用于目标语言。
数据集：
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:42:55 +08:00
#### 2016
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/C16-1114" > Leveraging Multilingual Training for Limited Resource Event Extraction, COLING 2016 < / a > by< i > Hsi, Andrew and Yang, Yiming and Carbonell, Jaime and Xu, Ruochen
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：迄今为止，利用跨语言培训来提高性能的工作非常有限。因此我们提出了一种新的事件抽取方法。
2020-10-04 20:11:29 +08:00
2020-10-04 15:42:55 +08:00
主要思想：在本文中，我们提出了一种新颖的跨语言事件抽取方法，该方法可在多种语言上进行训练，并利用依赖于语言的特征和不依赖于语言的特征来提高性能。使用这种系统，我们旨在同时利用可用的多语言资源（带注释的数据和引入的特征）来克服目标语言中的注释稀缺性问题。 从经验上我们认为，我们的方法可以极大地提高单语系统对中文事件论元提取任务的性能。 与现有工作相比，我们的方法是新颖的，我们不依赖于使用高质量的机器翻译的或手动对齐的文档，这因为这种需求对于给定的目标语言可能是无法满足的。
数据集：
Keywords: Training on multiple languages using a combination of both language-dependent and language-independent features
< / p > < / blockquote > < / details >
2020-09-28 22:06:37 +08:00
### 数据生成
2020-09-28 22:05:37 +08:00
2020-10-04 15:42:55 +08:00
2020-09-28 22:05:37 +08:00
#### 2019
< details / >
< summary / >
2020-10-04 15:42:55 +08:00
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P19-1522" > Exploring Pre-trained Language Models for Event Extraction and Geenration, ACL 2019< / a > by< i > Yang, Sen and Feng, Dawei and Qiao, Linbo and Kan, Zhigang and Li, Dongsheng
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
ACE事件抽取任务的传统方法通常依赖被手动注释过的数据，
2020-10-04 20:11:29 +08:00
2020-10-04 18:17:03 +08:00
2020-10-04 20:11:29 +08:00
2020-10-04 15:42:55 +08:00
主要思想：
本文提出了一个基于预训练语言模型的框架，该框架包含一个作为基础的事件抽取模型以及一种生成被标记事件的方法。我们提出的事件抽取模型由触发词抽取器和论元抽取器组成，论元抽取器用前者的结果进行推理。此外，我们根据角色的重要性对损失函数重新进行加权，从而提高了论元抽取器的性能。
数据集：
Keywords: Context-aware word representation, LSTM, Tensor layer
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/D19-1027/" > Open Event Extraction from Online Text using a Generative Adversarial Network, EMNLP 2019 < / a > by< i > Rui Wang, Deyu Zhou, Yulan He
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
提取开放域事件的结构化表示的方法通常假定文档中的所有单词都是从单个事件中生成的， ， ， （ ）
2020-10-04 20:11:29 +08:00
2020-10-04 15:42:55 +08:00
主要思想：
AEM使用Dirichlet先验对事件建模，
数据集：
< / p > < / blockquote > < / details >
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1909.02126.pdf" > Reporting the unreported: Event Extraction for Analyzing the Local Representation of Hate Crimes, EMNLP 2019< / a > by< i > Aida Mostafazadeh Davani etal.
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/aiida-/HateCrime" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：
将事件提取和多实例学习应用于本地新闻文章的语料库，可以用来预测仇恨犯罪的发生。
2020-10-04 20:11:29 +08:00
2020-10-04 15:42:55 +08:00
主要思想：
根据是否为仇恨罪标记每篇文章的任务被定义为多实例学习（ ） ， ，
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
2020-10-04 15:42:55 +08:00
2020-10-04 16:47:29 +08:00
#### 2017
< details / >
< summary / >
< a href = "https://link.zhihu.com/?target=https%3A//www.aclweb.org/anthology/P17-1038" > Automatically Labeled Data Generation for Large Scale Event Extraction, ACL 2017 < / a > by< i > Chen, Yubo and Liu, Shulin and Zhang, Xiang and Liu, Kang and Zhao, Jun
(< a href = "https://link.zhihu.com/?target=https%3A//github.com/acl2017submission/event-data" > Github< / a > )< / summary > < blockquote > < p align = "justify" >
动机：手动标记的训练数据成本太高，事件类型覆盖率低且规模有限，这种监督的方法很难从知识库中抽取大量事件。
2020-10-04 20:11:29 +08:00
2020-10-04 16:47:29 +08:00
主要思想： ） ） ， ）
数据集：
Keywords: Data Generation, Distant Supervision
< / p > < / blockquote > < / details >
2020-10-04 15:42:55 +08:00
2020-09-28 22:06:37 +08:00
### 阅读理解式事件抽取
2020-09-28 22:05:37 +08:00
#### 2019
< details / >
< summary / >
2020-10-04 16:25:55 +08:00
< a href = "https://www.aclweb.org/anthology/D19-1068/" > Neural Cross-Lingual Event Detection with Minimal Parallel Resources, EMNLP2019< / a > by< i > Jian Liu, Yubo Chen, Kang Liu, Jun Zhao
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
注释数据的缺乏给事件检测带来了巨大的挑战。
跨语言教育旨在解决这一挑战，通过在不同语言之间传递知识，提高性能。
但是， ，
在本文中， ，
具体来说，为了构建不同语言之间的词汇映射，我们设计了一种上下文依赖的翻译方法;
为了解决语序差异问题，我们提出了一种用于多语言联合训练的共享句法顺序事件检测器。
通过在两个标准数据集上的大量实验，研究了该方法的有效性。
实证结果表明，我们的方法在执行不同方向的跨语言迁移和解决注解不足的情况下是有效的。
2020-09-28 22:05:37 +08:00
< / p > < / blockquote > < / details >
2020-09-27 16:10:49 +08:00
2020-10-04 15:42:55 +08:00
2020-10-04 17:11:12 +08:00
< details / >
< summary / >
< a href = "https://arxiv.org/abs/1905.05529" > Entity-relation extraction as multi-turn question answering, ACL2019< / a > by< i > Xiaoya Li, Fan Yin, Zijun Sun, Xiayu Li, Arianna Yuan, Duo Chai, Mingxin Zhou, Jiwei Li
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
提出了一种新的实体-关系抽取的范式。
我们把任务作为多向问答的问题,也就是说,实体和关系的提取转化为确定答案的任务从上下文。
这种多轮QA形式化有几个关键的优点:首先，问题查询为我们想要识别的实体/关系类编码重要的信息;
其次，
第三，它允许我们开发良好的机器阅读理解(MRC)模型。
在ACE和CoNLL04语料库上的实验表明，
我们能够在所有的ACE04、ACE05和CoNLL04数据集上获得最先进的结果，
此外，我们构建了一个新开发的中文数据集恢复，它需要多步推理来构建实体依赖关系，而不是以往数据集的三元提取的单步依赖关系提取。
提出的多轮质量保证模型在简历数据集上也取得了最好的效果。
< / p > < / blockquote > < / details >
#### 2019
< details / >
< summary / >
< a href = "https://arxiv.org/abs/1706.04115" > Zero-shot relation extraction via reading comprehension, CoNLL 2017< / a > by< i > Jian Liu, Yubo Chen, Kang Liu, Jun Zhao
(< a > Github< / a > )< / summary > < blockquote > < p align = "justify" >
通过将一个或多个自然语言问题与每个关系槽相关联，可以将关系提取简化为回答简单的阅读理解问题。
减少有几个好处:我们可以(1)学习relation-extraction模型通过扩展最近神经阅读理解技术,(2)为这些模型相结合构建大训练集关系专用众包与远方监督问题,甚至(3)zero-shot学习通过提取新关系类型,只有指定的测试时间,我们没有标签的训练例子。
在Wikipedia填槽任务上的实验表明， ， ， ，
< / p > < / blockquote > < / details >
2020-10-04 15:42:55 +08:00
2020-10-06 15:13:51 +08:00
# Datasets
2020-10-04 16:47:29 +08:00
[:arrow_up: ](#table-of-contents )
2020-10-04 15:42:55 +08:00
2020-10-04 16:47:29 +08:00
#### English Corpus
2020-10-04 15:42:55 +08:00
2020-10-04 16:47:29 +08:00
< details / >
< summary / > < a href = "https://catalog.ldc.upenn.edu/LDC2006T06" > ACE2005 English Corpus< / a > < / summary > < blockquote > < p align = "justify" >
ACE 2005多语种训练语料库包含了用于2005年自动内容抽取(ACE)技术评价的完整的英语、阿拉伯语和汉语训练数据集。
语料库由语言数据联盟(LDC)为实体、关系和事件注释的各种类型的数据组成，
< / p > < / blockquote > < / details >
2020-09-27 16:10:49 +08:00
2020-10-04 16:47:29 +08:00
< details / >
< summary / > < a href = "https://link.zhihu.com/?target=http%3A//www.aclweb.org/old_anthology/W/W15/W15-0812.pdf" > Rich ERE< / a > < / summary > < blockquote > < p align = "justify" >
Rich ERE扩展了实体、关系和事件本体，
Rich ERE还引入了事件跳跃的概念， ， ，
< / p > < / blockquote > < / details >
2020-09-27 16:10:49 +08:00
2020-10-04 16:47:29 +08:00
< details / >
< summary / > < a href = "https://link.zhihu.com/?target=https%3A//tac.nist.gov//2015/KBP/Event/index.html" > TAC2015< / a > < / summary > < blockquote > < p align = "justify" >
TAC KBP事件跟踪的目标是提取关于事件的信息， ，
< / p > < / blockquote > < / details >
2020-09-27 16:10:49 +08:00
< details / >
2020-10-04 16:47:29 +08:00
< summary / > < a href = "https://link.zhihu.com/?target=https%3A//tac.nist.gov/2017/KBP/" > KBP2017< / a > < / summary > < blockquote > < p align = "justify" >
TAC知识库填充(KBP)的目标是开发和评估从非结构化文本中填充知识库的技术。
KBP包括为KBP开发特定组件和功能的组件跟踪， ，
与在冷启动KB任务中执行的功能相比， ，
组件轨道比冷启动“更多”，因为每个轨道可能探索未立即集成到冷启动任务中的试点任务;
他们是“少”,将组件集成到一个KB需要额外协调与和解各个组件之间的不匹配,这样KB符合知识库模式(例如,知识库不能断言一个实体是一个事件的“地方”如果它还断言,实体是一个“人”)。
< / p > < / blockquote > < / details >
2020-10-04 17:11:12 +08:00
< details / >
< summary / > < a > others< / a > < / summary > < blockquote > < p align = "justify" >
Genia2011 dataset, Spainish ERE Corpus, Wikipedia article, BioNLP Cancer Genetics (CG) Shared Task 2013
< / p > < / blockquote > < / details >
2020-10-04 16:47:29 +08:00
#### Chinese Corpus
< details / >
< summary / > < a href = "https://link.zhihu.com/?target=https%3A//catalog.ldc.upenn.edu/LDC2006T06" > ACE2005 Chinese Corpus< / a > < / summary > < blockquote > < p align = "justify" >
2020-10-04 16:25:55 +08:00
ACE 2005多语种训练语料库包含了用于2005年自动内容抽取(ACE)技术评价的完整的英语、阿拉伯语和汉语训练数据集。
语料库由语言数据联盟(LDC)为实体、关系和事件注释的各种类型的数据组成，
2020-09-27 16:10:49 +08:00
< / p > < / blockquote > < / details >
2020-10-04 16:47:29 +08:00
2020-10-06 15:11:36 +08:00
# Future Research Challenges
2020-09-27 16:10:49 +08:00
[:arrow_up: ](#table-of-contents )
#### 数据层面
2020-10-04 16:47:29 +08:00
领域数据难构造，标注成本大
2020-09-27 16:10:49 +08:00
2020-10-04 16:47:29 +08:00
生成标注数据 or 无标注式事件抽取论元
2020-09-27 16:10:49 +08:00
#### 模型层面
2020-10-04 16:47:29 +08:00
pipeline方式存在错误信息的传递，
论元之间的关联关系的有效利用
2020-09-27 16:10:49 +08:00
2020-09-27 16:24:56 +08:00
#### 性能评估层面
2020-09-27 16:10:49 +08:00
2020-10-04 16:47:29 +08:00
无标注数据的评价指标设计
2020-09-27 16:10:49 +08:00
