会议，由

-prospeedattentionmechanism for his problem。

传统的事件检测根据一组预定义的事件类型对给定句子中的单词或短语进行分类。这个预定义集合的限制是它阻止事件检测模型适应新的事件类型。我们研究了一种新的事件检测方法，它通过几个关键字来描述类型，以匹配文档中的上下文。这有助于将模型操作成新的类型。在新公式中引入了一种新的基于特征的卷积神经网络事件检测注意机制。大量实验证明了新的事件检测扩展公式的优点以及为解决这一问题而提出的注意机制。

2.利用哈希循环-真实：意外事件限制基于知识的蒸馏方法事件检测

AAAI会议，由刘健、陈宇博、刘康撰写

语言表达式中的组合对事件检测提出了巨大的挑战。Todisambiguateeventtypes，current taprocesselylonexternalnllptoolkitstobuildknowledge表示。不幸的是，这些方法在pipeline paradigmandsufferromerrrpropagationproblem中工作。在本文中，we proposeandantisalimitionbasedknowledgestliferationapproach，forthefirsttime，to backletechallengeof acquiring knowledgements from raw sentence sforevent detection。在方法中，ateachermodulefirst devisedtorenthe knowledge representations from thegtround-truthannas。然后，我们设置pasteudentmodulethattonlytakesraw-sense输入。学生在教师指导下的行为受到犯罪分子的限制。顺便说一句，从原始句子中提取知识的过程已经被隐含地转化为学生模块的特征编码阶段。最后，增强的学生使用了预先检测，这种方法处理awtexts并需要额外的工具包，自然地消除了错误处理问题的方法。我们在ce2005数据集上进行了实验，实验结果表明了这种方法的有效性。

语言表达的模糊性给事件检测带来了巨大的挑战。为了消除事件类型的模糊性，目前的方法依赖于外部NLP工具包来构建知识表示。不幸的是，这些方法在流水线模式下工作，并且存在错误传播问题。本文首次提出了一种基于对立模仿的知识提取方法，解决了从句子中获取知识用于事件检测的问题。在我们的方法中，教师模块被设计为从基本真理注释中学习知识表示。然后，我们设置了一个学生模块，只接受原句作为输入。学生模块在对抗性鉴别者的指导下学会模仿老师的行为。这样，从原始数据中提取知识的过程被隐式集成到学生模块的特征编码阶段。最后，增强的学生用于事件检测。它不需要额外的工具包就可以处理原始文本，这自然消除了管道方法面临的错误传播问题。我们在ACE2005数据集上进行了大量的实验，实验结果证明了我们方法的有效性。

3.没有触发程序的事件检测

NAACL大会，刘、

事件检测的目标是事件的发生和分类. previousworksolvestaskbyrecogningclass if yingeventtriggers，定义为wordpropherashmosclearexpress exception currency .因此，existingapproacherequired dbothannotedtriggers和ventypesintringdata .然而，触发事件检测和消耗时间的事件状态或事件检测的"最明显"的词来自一个句子，尤其是来自一个事件。运输公司的费用限制了现有方法的应用。为了减少人工工作量，我们探索了与装配工的检测事件。在工作中，我们建议了一个新的框架，它包含了一个新的事件类型。实验结果证明了这种有效性。值得注意的是，这种先进的方法在竞争性能方面与传统的方法相比有所提高。

事件检测(ED)的目标是检测事件的发生并对其进行分类。以前的工作通过识别和分类事件触发器来解决这个问题，事件触发器被定义为最清楚地表示事件发生的单词或短语。因此，现有的方法在训练数据中需要注释的触发器和事件类型。然而，触发器对事件检测并不重要，注释者从一个给定的句子中，特别是从一个长句子中，挑选出"最清晰"的单词是非常耗时的。训练语料库昂贵的注释限制了现有方法的应用。为了减少人工操作，我们探索不使用触发器检测事件。在这项工作中，我们提出了一个新的框架，称为带有注意机制的类型感知偏向神经网络(TBNNAM)，它根据目标事件类型对句子的表示进行编码。实验结果证明了该方法的有效性。值得注意的是，与使用注释触发器的最新技术相比，该方法甚至获得了竞争性的性能。

4 . jointeventextractionbasedonhieralecleventschemasfroframenet

电气与电子工程师协会会议，作者为威利、德智诚、何磊、袁卓望、小龙金

事件提取是一个灵活的应用程序，如新闻摘要和信息检索.但是，publication contextextextextextraction(ACE)事件提取程序仅定义了非常有限和粗糙的事件模式，这些模式可能不适用于实际应用. framenetisalangionccorpustadefines completesemanticframe和框架到框架的关系作为framesinframenetsharehysmilaststructure with venschemasinatedmanyframesactualexpressevents，我们提议重新定义eventschemasbasedonframenet .具体来说，我们从框架网和框架到框架的关系中提取出了一个更细粒度、更宽的框架到框架的关系。基于新的事件模式，我们提出了一种新的事件提取方法，该方法可以提取事件模式的层次结构和框架到框架的关系。广泛的实验验证了我们的分层水平方案的优势和事件提取模型的有效性。我们进一步将事件提取模型的结果与总结进行了比较。结果表明，基于事件提取模型的总结方法比几种最新的总结方法取得了更好的性能，这也表明了在实际应用中有望使用更高级的事件提取模型。

事件抽取在新闻摘要和信息检索等实际应用中具有重要意义。但是目前流行的自动上下文提取(ACE)事件提取程序只定义了非常有限和粗糙的事件模式，可能不适合实际应用。框架网络是一个语言语料库，它定义了完整的语义框架和框架之间的关系。由于帧网络中的帧与ACE中的事件模式具有高度相似的结构，并且许多帧实际上表示事件，因此我们建议基于帧网络重新定义事件模式。具体来说，我们从框架网络中提取表示事件信息的框架，并使用框架到框架的关系来构建比ACE粒度更细、覆盖范围更广的事件模式层次结构。基于新的事件模式，利用事件模式的层次结构和帧间关系，提出了一种联合事件提取方法。大量实验证明了分层事件模型的优越性和事件抽取模型的有效性。我们进一步将事件抽取模型的结果应用到新闻摘要中。结果表明，基于事件抽取模型的摘要方法比几种最新的摘要方法具有更好的性能，也说明了分层事件模式和事件抽取模型在实际应用中具有广阔的应用前景。