weixin_45742602的博客

安装paddlepaddle时显示安装成功，但是运行的时候报错ImportError: libcudart.so.10.2: cannot open shared object file: Nosuch file or directory

解决pip安装paddlenlp时遇到的setuptools报错

联合语义的实体和关系抽取

适用于零样本事件抽取的模型

Document-Level Event Argument Extraction by Conditional Generation笔记

DEE面临的挑战分散参数、多事件思想通常，人类的阅读过程涉及三个阶段：预读、仔细阅读和后读。在预读过程中，人类读者预览整个文档，形成对文档内容的总体认知。在仔细阅读过程中，人类读者会仔细阅读每个句子，以根据其特定的阅读目的定位详细信息。在阅读后，对文档进行审查，检查遗漏的细节并完成对文档的理解。多阶段阅读过程从粗略到精细地理解文档，这使得在整个文档中提取事件事实变得有效。模型（HRE）将人类阅读方式分为两个阶段：粗读和精度。粗读用来检测事件发生，精读用来提取参数。具体来说，精读定位每一个角色的论元

背景当识别事件参数所需的信息分布在多个句子中时,需要更大的上下文视图来确定哪些文本跨度对应于事件角色填充.完整的文档级提取问题通常需要角色填充词提取、名词短语共指消解和事件跟踪(即,确定提取的角色填充词属于哪个事件).在这项工作中,只关注文档级别的角色填充提取.贡献研究上下文长度(即最大输入段长度)对模型性能的影响,并找到最合适的长度;提出一种多粒度阅读器,动态聚合从本地上下文(例如,句子级别)和更广泛的上下文(例如,段落级别)中学到的信息.数据集MNC-4：由联邦广播信息服务局免费提供模型

背景模型模型总结：将文档 d 表示为句子序列 [s1; s2; ···； sNs ]，每个句子 si ∈ Rdw×Nw 由一系列令牌嵌入组成，实体识别用BI-LSTM-CRF 经典模型，因为我们的任务与上下文有关，基于transform的强大功能，我们将LSTM换成Transform并命名为Transformer-1(si)进行BIO（实体标注），由于实体提及通常有多个可变长token，我们首先通过对其token嵌入进行最大池操作来为每个实体提及获得固定大小的嵌入。我们对 [hi,j , · · ·

背景在特定领域,如金融、医疗和司法领域,由于数据标签过程的高成本,没有足够的标签数据.而且,目前大多数方法都侧重于从一个句子中提取事件,但是一个事件通常在一个文档中由多个句子表示.数据集财务事件知识库是结构化数据,包括九种常见的财务事件类型,并以表格形式存储.非结构化文本数据来自公司发布的官方公告,本文从搜狐证券网获取这些文本数据.对于每种类型的金融事件，我们构建了一个事件触发器字典，例如在 Equity Freeze 事件中冻结和在 Equity Pledge 事件中质押。因此可以通过从公告中

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、当年现状二、数据集三、方法小结总结前言例如：本周阅读了这篇论文，特此记录笔记一、当年现状。在 ACE 2005 中，所有 33 种事件类型都是手动预定义的，并且由于注释过程非常昂贵，因此仅在 599 个英文文档中手动注释了相应的事件信息（包括触发器、事件类型、参数及其角色）。 如图 2 所示，ACE 2005 中近 60% 的事件类型的标记样本少于 100 个，甚至有三种事件类型的标记样本少于 10 个。 此外，.