COLING 2022事件相关(事件抽取、事件关系抽取、事件预测等)论文汇总

COLING 2022事件抽取相关(事件抽取、事件关系抽取、事件预测等)论文汇总，已更新全部的论文讲解。

Event Extraction

• OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction 讲解地址
  提出一种新的标注策略，映射事件抽取为word-word关系识别任务。提出一个one-stage模型，可以有效地并行提取重叠和嵌套事件抽取的word-word关系。
  
• CLIO: Role-interactive Multi-event Head Attention Network for Document-level Event Extraction 讲解地址
  提出role-interactive multi-event head attention network解决嵌套论元和多个事件问题。
  

Event Detection

• Knowledge-injected Prompt Tuning for Event Detection
  事件检测旨在通过识别和分类事件触发器(最具代表性的词)来从文本中检测事件。大多数现有工作严重依赖复杂的下游网络，需要足够的训练数据。因此这些模型可能在结构上是冗余的，并且在数据稀缺时表现不佳。基于prompt的模型易于构建，并且有望用于小样本任务。然而当前的基于prompt的方法可能存在精度低的问题，因为它们没有引入与事件相关的语义知识(例如，词性、语义相关性等)。为了解决这些问题，本篇论文提出了一种知识注入提示调整(KiPT)模型。具体来说，事件检测任务被制定为条件生成任务。然后使用外部知识库构建知识注入提示，并利用prompt tuning策略来优化提示。大量实验表明KiPT优于baseline，尤其是在小样本场景中。

• DESED: Dialogue-based Explanation for Sentence-level Event Detection
  许多最近的句子级事件检测工作都集中在丰富句子语义上，例如，通过多任务或基于prompt的学习。 尽管性能有提升，但这些方法通常依赖于标签广泛的手动注释或需要领域专业知识来设计复杂的模板和规则。 本文提出了一种新范式，称为基于对话的解释，以增强事件检测的句子语义。通过对事件进行基于对话的解释，意味着通过一致的信息密集型对话来解释它，以原始事件描述作为开始话语。 提出了三种简单的对话生成方法，然后将其输出送到混合注意机制中以表征互补事件语义。
  
  
• Event Detection with Dual Relational Graph Attention Networks
  事件检测旨在从文本片段中识别特定事件类型的实例，是信息提取中的一项基本任务。大多数现有方法利用句法知识和一组句法关系来增强事件检测。然而这些基于句法的方法的一个副作用是它们可能会混淆不同的句法关系，并倾向于引入冗余或嘈杂的信息，这可能会导致性能下降。为此，本篇论文们提出了一个简单而有效的模型DualGAT(对偶关系图注意力网络)，利用句法和语义关系的互补性来缓解这个问题。具体来说，首先构建一个对偶关系图，将句法和语义关系聚合到图中的关键节点，以便从多个角度（即句法和语义视图）全面捕获与事件相关的信息。然后采用增强关系图注意力网络对图进行编码，并通过引入上下文信息优化其注意力权重，从而进一步提高事件检测的性能。
  

Event Argument Extraction

• A Multi-Format Transfer Learning Model for Event Argument Extraction via Variational Information Bottleneck 讲解地址
  提出一个统一的模型结构可以从不同格式的事件抽取数据集中学习格式共享和格式具体的知识。使用information bottleneck帮助模型从不同的数据集中学习格式共享的知识，消除不相关的信息，保留格式共享的知识。
  

Event causality identification

• Event Causality Identification via Derivative Prompt Joint Learning
  本篇论文研究事件因果关系识别，旨在预测句子中一对事件的因果关系。 将事件因果关系识别作为有监督的分类任务，现有方法大多存在标注数据不足的问题。 本篇论文提出了一种新的用于事件因果关系识别的衍生prompt联合学习模型，该模型利用预训练语言模型中的潜在因果知识来解决数据稀缺问题。 具体来说，从事件因果关系识别中得出两个相关的提示任务，而不是外部数据或知识扩充，以增强模型识别显性和隐性因果关系的能力。
  

• MECI: A Multilingual Dataset for Event Causality Identification
  事件因果关系识别(ECI)是检测文本中提到的事件之间的因果关系的任务。 虽然这项任务已经针对英语材料进行了广泛的研究，但它正在探索许多其他语言。 这个问题的一个主要原因是缺乏多语言数据集，这些数据集可以为多种非英语语言的事件因果关系提供一致的注释。 为了解决这个问题，本篇论文为ECI引入了一个新的多语言数据集，称为MECI。该数据集对五种类型不同的语言(即英语、丹麦语、西班牙语、土耳其语和乌尔都语)采用了一致的注释指南。

• Event Causality Extraction with Event Argument Correlations
  事件因果关系识别(ECI)旨在检测两个给定文本事件之间是否存在因果关系，是事件因果关系理解的重要任务。然而，ECI 任务忽略了关键的事件结构和因果因果关系组件信息，使其难以用于下游应用。v本篇论文探索了一项新任务，即事件因果关系提取(ECE)，旨在从纯文本中提取因果事件因果关系对及其结构化事件信息。ECE 任务更具挑战性，因为每个事件都可以包含多个事件参数，在事件之间建立细粒度的相关性来决定因果事件对。同时提出了一种具有双网格标记方案的方法来捕获 ECE 的事件内和事件间参数相关性。
  
  

• ERGO: Event Relational Graph Transformer for Document-level Event Causality Identification
  文档级事件因果关系识别(DECI)旨在识别文档中事件与事件的因果关系。现有的工作通常会构建一个事件图，用于跨多个句子进行全局推理。但是，必须通过启发式规则或外部工具仔细设计事件之间的边界。本篇论文为DECI提出了一种新颖的事件关系图转换(ERGO)框架，以简化图构建并改进它以解决边缘噪声问题。与传统的事件图不同，将一对事件定义为一个节点，并在没有任何先验知识或工具的情况下构建一个完整的事件关系图。这自然地将DECI表述为节点分类问题，因此通过graph transformer捕获事件对之间的因果传递性。此外，还为不平衡分类设计了交叉约束和自适应focal loss，以减轻false positives和false negatives的问题。
  

Event Factuality Identification

• Document-level Event Factuality Identification via Machine Reading Comprehension Frameworks with Transfer Learning
  文档级事件真实性识别(DEFI)根据可以从中导出事件的文档来预测特定事件的真实性，这是自然语言处理(NLP)中的一项基础和关键任务。然而,以往的研究大多只考虑句子级的任务，并没有采用文档级的知识。此外，将 DEFI 建模为严重依赖注释信息的典型文本分类任务，并且仅限于特定于任务的语料库，这导致数据稀缺。为了解决这些问题，本篇论文提出了一个新的框架，将 DEFI 制定为span提取(Ext)和多项选择(Mch)的机器阅读理解(MRC)任务。该模型不使用任何另外的显式注释信息，并利用迁移学习(TL)从通用的大规模MRC语料库中提取知识以进行跨域数据扩充。
  

Generating event sequences

• Generating Temporally-ordered Event Sequences via Event Optimal Transport
  在文本中生成时间顺序的事件序列对于自然语言处理很重要。这个方向的两个新兴任务是时间事件排序(重新排列事件集以正确排序)和事件填充(在指定位置生成事件)。为了解决这两个相关任务，现有方法通过最大似然估计(MLE)采用普通序列到序列模型。然而，将这种方法应用于这些任务会导致两个问题。一个问题是MLE损失强调严格的局部对齐而忽略了事件的全局语义。另一个问题是该模型采用词级目标对文本中的事件进行建模，未能从事件序列的角度评估模型的预测结果。为了缓解这些问题，本篇论文提出了一种新模型，通过事件最优传输 (EOT) 来解决按时间排序的事件序列的生成。首先，将序列中的事件视为建模单元，并显式提取事件的语义。其次为了提供模型预测结果的事件序列级评估，直接匹配序列中的事件。
  

Event Sequence Prediction

• Augmentation, Retrieval, Generation: Event Sequence Prediction with a Three-Stage Sequence-to-Sequence Approach
  能够推断与特定目标相关的可能事件对于自然语言处理至关重要。 这方面的一项具有挑战性的任务是事件序列预测，其目的是预测给定目标的事件序列。 目前现有的方法将该任务建模为统计归纳问题，通过探索给定目标与已知事件序列之间的相似性来预测事件序列。 然而这种基于统计的方法很复杂并且预测的事件种类有限。 同时这种方法忽略了对预测事件序列很重要的外部事件的丰富知识。本篇论文为了预测更多不同的事件，将事件序列预测问题重新表述为序列生成问题。 为了利用外部事件知识，提出了一个包括增强、检索和生成的三阶段模型。
  

Biomedical

• Text-to-Text Extraction and Verbalization of Biomedical Event Graphs
  生物医学事件代表科学文献中表达的复杂、图形化和语义丰富的相互作用。事件领域中的几乎所有贡献都围绕语义解析进行，通常采用判别式架构和繁琐的多步骤pipeline，仅限于少数目标交互类型。本篇论文提出了第一个轻量级框架，通过统一的文本到文本方法解决事件抽取和事件语言化，能够融合迄今为止为不同任务设计的所有资源。为此，提出了一种新的事件图线性化技术，并发布了一个高度全面的事件文本配对数据集，涵盖了来自多个生物学子领域(英语)的150多种事件类型。通过简化翻译的解析和生成，根据多个生物医学文本挖掘基准和自然语言生成指标提出baseline transformer模型结果。
  

• Extracting a Knowledge Base of COVID-19 Events from Social Media
  本篇论文提供了一个包含10000条推文的手动注释语料库，其中包含五个 COVID-19 事件的公开报告，包括阳性和阴性测试、死亡、拒绝进行测试、声称治愈和预防。为每种事件类型设计了槽位填充问题，并注释了总共 28 个细粒度槽位，例如事件发生地点、近期旅行和密切接触者。表明语料库可以支持微调基于 BERT 的分类器以自动提取公开报告的事件，这些事件可以进一步收以构建知识库。知识库是基于涵盖两年的 Twitter 数据构建的，目前涵盖超过 420 万个事件。它可以高精度地回答复杂的查询，例如“哪些组织的员工在费城测试呈阳性？”(SQL操作)。