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

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，已更新全部的论文。

Event Extraction

• Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding 讲解地址
  本篇论文将事件抽取定义为query-and-extract范式，通过利用事件类型和论元角色之间的语义，提高事件抽取的性能，同时模型在新事件类型和跨本体迁移方面具有泛化性。
  
• Dynamic Prefix-Tuning for Generative Template-based Event Extraction
  提出了一种基于模板的生成方法(动态前缀)，通过将上下文信息与特定于类型的前缀相结合来学习特定于上下文的前缀
  
• Legal Judgment Prediction via Event Extraction with Constraints
  法律判决预测(LJP,包括三个多分类的子任务：法律条文、罪名、刑期)，目前LJP 模型做出的错误预测部分归因于它们未能(1)定位决定判决的关键事件信息(2)利用 LJP 子任务之间存在的跨任务一致性约束。 本篇论文提出一种带有约束的基于事件的预测模型。
  
• Saliency as Evidence: Event Detection with Trigger Saliency Attribution
  现有的事件检测(ED)方法通常遵循“一个模型适合所有类型”的方法，这种方法看不到事件类型之间的差异，并且通常会导致性能出现很大偏差。找到性能偏差的原因对于ED模型的稳健性至关重要，本篇论文提出了一个称为触发词显著性属性的新概念，它可以明确地量化事件的潜在模式。在此基础上为 ED开发了一种新的训练机制，它可以区分触发词依赖和上下文依赖类型，并在两个基准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
  提出了一个语言无关的模板，同时使用copy机制更好地适应输入语言的变化，以prompt的方式完成zero-shot跨语言迁移事件论元抽取。
  
• Prompt for Extraction? PAIE: Prompting Argument Interaction for Event Argument Extraction
  研究了抽取任务的prompt tuning，以及用于最佳sapn分配的联合选择方案，在句子级、文档集、few-shot情况下模型是有效和高效率的。
  
• Document-Level Event Argument Extraction via Optimal Transport
  提出一个基于结构的文档级事件论元抽取模型，利用句子的句子的依赖解析树，通过使用optimal transport裁剪得到文档的依赖解析树。提出一个正则化的方法，限制表示学习中不相关词的贡献。

Information Extraction

• ACL 2022 Unified Structure Generation for Universal Information Extraction
  提出了一个统一的text-to-structure生成架构，可以对不同的信息抽取(IE)任务进行建模，自适应地生成目标结构，并从不同的知识资源学习通用的信息抽取能力。是第一个text-to-structure预训练抽取模型。通过结构抽取语言(structural extraction language)将异构的信息抽取结构编码成统一的表示，并通过结构模式(structural schema instructor)指导机制控制UIE模型的识别、关联和生成。
  

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对于各种任务都很重要。本篇论文提出了 SWCC：用于事件表示学习的同步弱监督对比学习和聚类框架。 SWCC 通过更好地利用事件的共现信息来学习事件表示。具体来说，引入了一种弱监督对比学习方法，它允许考虑多个正例(dropout mask得到)和多个负例，以及一种基于原型的聚类方法，可以避免语义相关的事件被拉开。对于训练，SWCC 通过同时执行弱监督对比学习和基于原型的聚类来学习表征。实验结果表明，SWCC 在 Hard Similarity 和 Transitive Sentence Similarity 任务上优于其他baseline。
  Hard Similarity Task：事件对二分类(拉近相似事件，拉远不相似事件)
  Transitive Sentence Similarity：及物句子对(包含单个的主语、宾语、动词)，人工标注相似度分数1-7，计算相关性分数。
  

Event Prediction

• A Graph Enhanced BERT Model for Event Prediction
  预测现有事件上下文的后续事件是一项重要但具有挑战性的任务，因为它需要了解事件之间的潜在关系。 以前的方法从事件图中检索关系特征，以增强事件相关性的建模。 然而事件图的稀疏性可能会限制相关图信息的获取，从而影响模型性能。 为了解决这个问题，本篇论文使用 BERT模型自动构建事件图。在 BERT 中加入了一个额外的结构化变量，以学习预测训练过程中的事件连接。 在测试过程中，可以通过结构化变量预测未见事件的连接关系。 在脚本事件预测和故事结局预测任务上超过baseline。
  

Event-Event Relation Extraction

• Event-Event Relation Extraction using Probabilistic Box Embedding
  要理解包含多个事件的故事，重要的是要捕捉这些事件之间的正确关系。 然而现有的事件关系提取(ERE)框架将其视为多分类任务，并且不保证不同关系类型之间的任何一致性。 例如，如果一条电话线在暴风雨后断电，那么很明显暴风雨发生在断电之前。 当前的事件关系提取框架不能保证这种反对称性，因此通过约束损失函数来实施。 本篇论文修改ERE模型，通过将每个事件表示为box representation(BERE)而不应用显式约束来保证一致性。
  

Pre-training

• ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification
  在给定上下文和相关事件的情况下生成新事件在许多以事件为中心的推理任务中起着至关重要的作用。现有工作要么将其范围限制在特定场景，要么忽略事件级别的相关性。本篇论文以事件为中心的推理来预训练一个通用的 Correlationaware context-to-Event Transformer (ClarET)。为实现这一目标，提出了三个新颖的以事件为中心的目标，即整个事件恢复、对比事件相关编码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
  生成童话或故事书的教育问题对于提高儿童的识字能力至关重要。 然而生成能够捕捉具有教育意义的童话故事有趣方面的问题是一项挑战。 本篇论文提出了一种新颖的问题生成方法，首先学习输入故事段落的问题类型分布，然后概括出可用于生成高认知需求问题的显著事件。 为了训练以事件为中心的总结器，使用由教育问答对组成的样本来微调一个基于transformer的序列到序列模型。
  

Text Generation

• Event Transition Planning for Open-ended Text Generation
  开放式文本生成任务，例如对话生成和故事完成，需要模型在给定有限的前提上下文的情况下生成连贯的延续。 这些任务的开放性给当今的神经自回归文本生成器带来了新的挑战。 尽管这些神经模型擅长生成类似人类的文本，但它们很难安排给定事实与可能发生的事件之间的因果关系和关系。 为了弥合这一差距，本篇论文提出了一种新颖的两阶段方法，该方法明确安排了开放式文本生成中的后续事件。 可以理解为一种经过特殊训练的从粗到精的算法，其中事件转换计划器提供“粗略”的情节骨架，第二阶段的文本生成器细化骨架。
  

Dataset

• LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
  识别事实是做出判断的最基本步骤，因此检测法律文件中的事件对于法律案件分析任务很重要。然而，现有的法律事件检测(LED)数据集仅涉及不全面的事件类型并且注释数据有限，这限制了LED方法及其下游应用的发展。为了缓解这些问题，本篇论文提出了LEVEN，这是一个大型的中文法律事件检测数据集，其中包含 108 种事件类型、8116份法律文件和 150977 次人工标注的事件提及。不仅与控告相关的事件，LEVEN 还涵盖了一般事件，这些事件对于法律案件的理解至关重要，但在现有LED 数据集中被忽略了。

Other

• Debiasing Event Understanding for Visual Commonsense Tasks
  本篇论文将事件理解作为视觉常识任务的关键步骤进行研究。 认为当前基于对象的事件理解是基于似然的，由于事件和对象之间的相关性存在偏差，导致不正确的事件预测。 本篇论文建议通过因果关系研究中提出的do-calculus 来减轻这种偏差，通过基于关联的预测的优化聚合来克服其有限的鲁棒性。