NLP事件抽取顶刊顶会模型汇总-2019_gnbusiness数据集

Liu et al.（基于GCN）（GCN）

Neural Cross-Lingual Event Detection with Minimal Parallel Resources

在本文中，我们提出了一种新的跨语言事件检测方法，它证明了对并行资源的最小依赖性。具体来说，我们提出了一种上下文相关的词汇映射方法来获得与内容相关的翻译，并设计了一个共享的句法顺序事件检测器来探索多语言协同训练的句法相似性。

Doc2EDAG（包含生成模型）（用了三个transformer块）

Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event Extraction

鉴于金融领域文档及业务的特殊性，在做事件抽取的过程中存在一些挑战：

事件元素分散（Arguments-scattering）：指事件论元可能在不同的句子（Sentence）中

多事件（Muti-event）：指一个文档中可能包含多个事件

1. 提出了一个新的模型Doc2EDAG，它可以直接基于文档生成事件表，有效地解决DEE的独特挑战。
2. 重新定义了一个没有触发词的DEE任务，以简化基于远程监督的文档级事件标记。
3. 为DEE建立了一个大规模的真实世界数据集，该数据集面临着参数分散和多事件的独特挑战，大量的实验证明了Doc2EDAG的优越性。

Ananya et al.（基于GCN）（GCN）

Cross-lingual Structure Transfer for Relation and Event Extraction

1. 构建了一个新的跨语言结构迁移学习框架，将源语言训练数据和目标语言测试数据投射到公共的语义空间.可以在源语言标注数据上训练关系和事件抽取器,然后应用到目标语言文本上.
2. 将文本数据转换为源自通用依赖解析的结构化表示，并通过分布信息增强,以捕获单个实体以及涉及这些实体的关系和事件

Chau et al.

Open-domain Event Extraction and Embedding for Natural Gas Market Prediction

提出了一种新的天然气价格预测方法。我们不再对嵌入向量进行平均，而是从新闻中提取和组织事件，并将它们重塑为三维张量。我们方法的一个局限性是依赖窗口方法进行预测。

GAIL-ELMo（基于GAN，生成模型）（GAN）

Joint Entity and Event Extraction with Generative Adversarial Imitation Learning

1. 我们将 RL 框架应用于事件提取任务，提出的框架是一种端到端和流水线的方法，提取实体和事件触发器，并确定检测到的实体的参数角色。
2. 在广义网络的推动下，我们证明动态奖励功能可确保在复杂的相对关系任务中取得更佳的表现。

ODEE-FER（提出数据集）

Open Domain Event Extraction Using Neural Latent Variable Models

1. 提出一个开放域事件提取任务，从新闻集群中提取无约束类型的事件。
2. 提出一个大规模数据集GNBusiness，包含多种事件类型和可解释的事件模式。
3. 提出一个深度隐变量模型，可以从一个新闻集群中抽取多个事件；考虑新闻集群不同报道中的相同实体提及，来提高性能。

DYGIE++（基于span）

Entity, Relation, and Event Extraction with Contextualized Span Representations

本文提出了DyGIE++模型，通过对捕获了局部信息（句内）和全局信息（跨句）的text spans进行枚举、精炼、打分

研究表明，同时使用这两个方法比分别单独使用其中的一个效果要更好。BERT建模了有鲁棒性的多个句子的表示，图传播方法利用了和问题以及领域相关的结构关联。

Han et al（Joint-based）（BERT+BiLSTM）

Joint Event and Temporal Relation Extraction with Shared Representations and Structured Prediction

1. 第一个提出联合学习的模型，同时抽取出事件和关系。
2. 通过在EE模块和关系抽取模块共享相同的上下文嵌入和神经表示学习器，改进了事件的表示。
3. 第一个使用神经的事件抽取器（neural event extractor）处理时序关系抽取，并证明了方法的有效性。

PLMEE（基于分类）（包含BERT，也使用了生成模型生成数据）

Exploring Pre-trained Language Models for Event Extraction and Generation

本文提出了一个基于预训练语言模型的框架，其中包括事件抽取模型（作为baseline）和标注事件的生成方法。

AEM（基于生成对抗网络GAN）（GAN）

Open Event Extraction from Online Text using a Generative Adversarial Network

1. 我们提出了一种新的对抗神经事件模型(AEM) ，据我们所知，这是第一次尝试使用平级训练来提取开放域事件。
2. 与现有的贝叶斯图形建模方法不同，AEM 能够从不同的文本源(短文本和长文本)中提取事件。计算效率也有显著提高。
3. 三个数据集的实验结果显示，AEM 在准确度、召回率及 F 度量方面均优于基线。此外，结果显示 AEM 在可视化事件中的强度。

JointTransition（transition-based）（BERT,BiLSTM）

Extracting Entities and Events as a Single Task Using a Transition-Based Neural Model

本文提出了一个transition-based的模型，用于联合预测出嵌套的实体，事件触发词以及它们在事件抽取中对应的语义角色。

与以往的在多个步骤或多个分离的任务中进行实体和事件检测的方法不同，本文的方法捕获了实体和事件间的结构依赖信息（by using a incremental left to right reading order）

Li et al.（基于LSTM）（tree-LSTM）

Biomedical Event Extraction based on Knowledge-driven Tree-LSTM

我们提出了一种新颖的知识库（KB）-驱动的树结构长短期记忆网络（Tree-LSTM）框架：

依赖结构依存句法树 dependency tree structures 以捕获广泛的上下文 wide contexts ；

通过实体链接 entity linking 从外部本体获得实体属性（类型和类别描述 types and category descriptions ）。(远程监督)

MLM-Joint（Joint-based）（）

Joint Event Extraction Based on Hierarchical Event Schemas From FrameNet

1)据我们所知，这是第一个工作,重新定义粒度更细的事件模式并且基于 FrameNet 语料库有更广泛的覆盖范围，实际应用的考虑因素(所有定义对于事件架构、事件到事件关系和层次结构-释放事件模式的 cal 结构以供将来使用)

(2)我们建议举办有效的联合方式基于 MLN 的提取方法，包括局部部分和全局部分，结合局部(来自文本)和全局(来自 frameNet 结构和文本)信息事件提取。

(3)我们验证事件提取基于我们的事件模式和事件提取的结果模型可以用于新闻摘要，也可以用于新闻摘要有望用于其他实际应用

Joint3EE（Joint-based）（包含GRU）

One for all: Neural joint modeling of entities and events

在这项工作中，我们提出了一个利用深度学习中共享的隐藏表示，从而预测实体类型，triggers，arguments roles 的联合模型，这个模型目前在事件提取具有最先进的性能。

Chan et al.（）（使用了CNN）

Rapid Customization for Event Extraction

我们提出了一个系统，它允许用户快速构建事件提取器来查找新类型的事件及其参数。我们计划利用聚类技术在新的语料库中自动发现突出事件触发词，以进一步减少人工定制的工作量