1 CorED: Incorporating Type-level and Instance-level Correlationsfor Fine-grained Event Detection
论文来源：SIGIR 2022(CCF A类会议)
论文链接：https://dl.acm.org/doi/pdf/10.1145/3477495.3531956
代码链接：GitHub - JiaweiSheng/CorED: Source code for SIGIR 2022 paper: CorED: Incorporating Type-level and Instance-level Correlations for Fine-grained Event Detection.
便于理解：
CorED: Incorporating Type-level and Instance-level Correlationsfor Fine-grained Event Detection_Rose sait的博客-CSDN博客
1.1 摘要
事件检测（ED）是信息抽取的一项关键任务，其目的是识别事件触发词，并将其分类为预定义的事件类型。在实际应用程序中，事件通常使用许多细粒度类型进行注释，这通常会出现long-tail类型性质和共现事件性质。现有的研究在没有充分利用的情况下探索事件相关性，这可能会限制事件检测的能力。本文同时结合类型级和实例级的事件相关性，并提出了一个新的框架，称为CorED。
具体来说，设计了一个自适应的基于图的类型编码器来捕获实例级的相关性，不仅从它们的训练数据学习类型表示，而且从它们的相关类型学习类型表示，从而导致信息更丰富的类型表示，特别是对于低资源类型。此外，设计了一个实例交互解码器来捕获实例级相关性，它预测基于上下文类型事件实例的事件实例类型，利用共现事件作为预测的显著证据。
在两个公共基准测试，MAVEN和ACE-2005数据集上进行了实验。实证结果表明，类型级和实例级相关性是统一的，模型在两个基准上都取得了有效性性能。
NA类型：没有引发任何事件类型
1.2 模型图
1.3 实验结果
2 Saliency as Evidence: Event Detection with Trigger Saliency Attribution
论文来源：ACL2022
论文链接：https://aclanthology.org/2022.acl-long.313.pdf
代码链接：GitHub - jianliu-ml/SaliencyED
便于理解：Saliency as Evidence: Event Detection with Trigger Saliency Attribution(ACL2022)_Rose sait的博客-CSDN博客
2.1 摘要
事件检测（ED）是事件提取的一个重要子任务，旨在识别文本中某些事件类型的事件触发词。尽管事件检测取得了重大进展，但现有的方法通常采用 "一个模型适合所有类型 "的方法，这种方法没有看到事件类型之间的差异，这项研究深入研究了这个问题，并提出了一个新的概念，即触发词显著性归因，它可以明确地量化事件的基本模式。在此基础上，我们为ED开发了一种新的训练机制，它可以区分依赖触发词和依赖上下文的类型，并在两个基准上取得了可喜的表现。
2.2 模型图
2.3 实验结果
3 Structured Prediction as Translation between Augmented Natural Languages
论文来源：ICLR2021
论文链接：https://arxiv.org/pdf/2101.05779.pdf
代码链接：GitHub - amazon-science/tanl: Structured Prediction as Translation between Augmented Natural Languages
便于理解：【论文阅读笔记|ICLR2021】TANL:Structured Prediction as Translation between Augmented Natural Languages_Rose sait的博客-CSDN博客
3.1 摘要
我们提出了一个新的框架，增强自然语言间的翻译（TANL），来解决许多结构化预测语言任务，包括联合实体和关系抽取、嵌套命名实体识别、关系分类、语义角色标记、事件抽取、共引用解析和对话状态跟踪。我们没有通过训练特定任务的鉴别分类器来解决这个问题，而是将其框架为增强自然语言之间的翻译任务，从中可以很容易地提取与任务相关的信息。我们的方法可以在所有任务上匹配或优于特定任务的模型，特别是在联合实体和关系抽取（CoNLL04、ADE、NYT和ACE2005数据集）、关系分类（FewRel和TACRED）和语义角色标记（CoNLL-2005和CoNLL- 2012）方面取得了新的最先进的结果。我们在对所有任务使用相同的架构和超参数来完成这一任务，甚至在训练单一模型同时解决所有任务时（多任务学习）时。最后的结果表明，我们的框架也可以在低资源环境下显著地提高性能，这得益于更好地使用标签语义的方法。
3.2 模型图
3.3 实验结果
4 Event Detection with Dual Relational Graph Attention Networks
论文来源：COLING2022
论文链接：https://aclanthology.org/2022.coling-1.219.pdf
代码链接：GitHub - Ydongd/DESED
4.1 摘要
最近的许多句子级事件检测工作都集中在丰富句子语义上，例如，通过多任务或基于提示的学习。尽管性能很好，但这些方法通常依赖于扩展标签的手动注释，或者需要领域专家来设计复杂的模板和规则。本文提出了一种新的基于对话的解释范式，以增强事件检测的句子语义。我们所说的基于对话的事件解释，是指以原始事件描述作为起始话语，通过一致的信息密集对话进行解释。我们提出了三种简单的对话生成方法，然后将其输出馈送到混合注意机制中以表征互补事件语义。在两个事件检测数据集上的大量实验结果验证了我们方法的有效性，并在基于对话的解释范式中提出了有希望的研究机会。
4.2 模型图
4.3 实验结果
5 KiPT: Knowledge-injected Prompt Tuning for Event Detection
论文来源：COLING2022
论文链接：https://aclanthology.org/2022.coling-1.169.pdf
代码链接：没找到
5.1 摘要
事件检测的目的是通过识别和分类事件触发器(最具代表性的单词)，从文本中检测事件。大多数现有的工作严重依赖于复杂的下游网络，并且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。基于提示的模型很容易构建，并且对于少量任务很有希望。然而，目前基于提示的方法由于没有引入与事件相关的语义知识(如词性、语义关联等)，可能存在精度不高的问题。为了解决这些问题，本文提出了一种知识注入提示调优(KiPT)模型。具体来说，将事件检测任务表述为条件生成任务。然后，使用外部知识库构造知识注入提示，并利用提示调优策略对提示进行优化。大量实验表明，KiPT优于强基线，特别是在少量射击场景中。
5.2 模型图
5.3 实验效果
6 Event Detection with Dual Relational Graph Attention Networks
论文来源：COLING2022
论文链接：https://aclanthology.org/2022.coling-1.172.pdf
代码链接：GitHub - Macvh/DualGAT: Code and datasets for the COLING 2022 paper "Event Detection with Dual Relational Attention Networks"
6.1 摘要
事件检测是信息提取中的一项基本任务，其目的是从文本片段中识别特定事件类型的实例。大多数现有方法利用语法知识和一组语法关系来增强事件检测。然而，这些基于语法的方法的一个副作用是，它们可能混淆不同的语法关系，并倾向于引入冗余或噪声信息，这可能导致性能下降。为此，我们提出了一个简单而有效的模型DualGAT (Dual Relational Graph Attention Networks，双关系图注意网络)，它利用句法和语义关系的互补性来缓解这个问题。具体而言，我们首先构建了一个对偶关系图，该图将句法和语义关系聚合到图中的关键节点上，从而可以从多个角度(即句法和语义视图)全面捕获事件相关信息。然后，我们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图的注意力权重，进一步提高了事件检测的性能。在标准ACE2005基准数据集上进行的大量实验表明，我们的方法明显优于最先进的方法，并验证了DualGAT相对于现有基于句法的方法的优越性。
6.2 模型图
6.3 实验结果
