論文の概要: What Would Happen Next? Predicting Consequences from An Event Causality Graph

• arxiv url: http://arxiv.org/abs/2409.17480v1
• Date: Thu, 26 Sep 2024 02:34:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 23:28:14.021835
• Title: What Would Happen Next? Predicting Consequences from An Event Causality Graph
• Title（参考訳）: 今後どうなるか? イベント因果グラフから結果を予測する
• Authors: Chuanhong Zhan, Wei Xiang, Chao Liang, Bang Wang,
• Abstract要約: 既存のスクリプトイベント予測タスクは、イベントスクリプトチェーンに基づいて、その後のイベントを転送する。 本稿では,事象因果グラフ(ECG)に基づく連続事象を予測する因果グラフイベント予測タスクを提案する。
• 参考スコア（独自算出の注目度）: 23.92119748794742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing script event prediction task forcasts the subsequent event based on an event script chain. However, the evolution of historical events are more complicated in real world scenarios and the limited information provided by the event script chain also make it difficult to accurately predict subsequent events. This paper introduces a Causality Graph Event Prediction(CGEP) task that forecasting consequential event based on an Event Causality Graph (ECG). We propose a Semantic Enhanced Distance-sensitive Graph Prompt Learning (SeDGPL) Model for the CGEP task. In SeDGPL, (1) we design a Distance-sensitive Graph Linearization (DsGL) module to reformulate the ECG into a graph prompt template as the input of a PLM; (2) propose an Event-Enriched Causality Encoding (EeCE) module to integrate both event contextual semantic and graph schema information; (3) propose a Semantic Contrast Event Prediction (ScEP) module to enhance the event representation among numerous candidate events and predict consequential event following prompt learning paradigm. %We construct two CGEP datasets based on existing MAVEN-ERE and ESC corpus for experiments. Experiment results validate our argument our proposed SeDGPL model outperforms the advanced competitors for the CGEP task.
• Abstract（参考訳）: 既存のスクリプトイベント予測タスクは、イベントスクリプトチェーンに基づいて、その後のイベントを転送する。 しかし、過去の出来事の進化は現実のシナリオではより複雑であり、イベントスクリプトチェーンが提供する限られた情報は、その後の出来事を正確に予測するのも困難である。 本稿では,事象因果グラフ(ECG)に基づく連続事象を予測する因果グラフイベント予測(CGEP)タスクを提案する。 CGEPタスクのためのセマンティック拡張距離感性グラフプロンプト学習(SeDGPL)モデルを提案する。 SeDGPL では,(1) 距離に敏感なグラフ線形化 (DsGL) モジュールを設計し,ECG を PLM の入力としてグラフプロンプトテンプレートに再構成し,(2) イベントエンリッチな因果エンコーディング (EeCE) モジュールを提案し,イベントコンテキスト意味とグラフスキーマ情報を統合し,(3) セマンティックコントラストイベント予測 (ScEP) モジュールを提案する。 実験のために,既存のMAVEN-EREとESCコーパスに基づく2つのCGEPデータセットを構築した。 実験の結果,提案したSeDGPLモデルはCGEPタスクの先進的競合よりも優れていた。

関連論文リスト

• Prompt-based Graph Model for Joint Liberal Event Extraction and Event Schema Induction [1.3154296174423619]
  イベントは、エンティティの状態の変化を記述する、スピーチとテキストの不可欠なコンポーネントである。 イベント抽出タスクは、イベントを特定して分類し、イベントスキーマに従って参加者を見つけることを目的としている。 研究者らは、イベント抽出とイベントスキーマの同時発見を目的とした、リベラルイベント抽出(LEE)を提案する。
  論文  参考訳（メタデータ） (2024-03-19T07:56:42Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Rich Event Modeling for Script Event Prediction [60.67635412135682]
  スクリプトイベント予測のためのリッチイベント予測(REP)フレームワークを提案する。 REPは、テキストからそのような情報を抽出するイベント抽出器を含む。 予測器の中核となるコンポーネントは、任意の数の引数を柔軟に扱う変換器ベースのイベントエンコーダである。
  論文  参考訳（メタデータ） (2022-12-16T05:17:59Z)
• A Graph Enhanced BERT Model for Event Prediction [35.02248467245135]
  BERTモデルを用いたイベントグラフの自動構築について検討する。 我々は、トレーニングプロセスにおけるイベント接続を予測するために、追加の構造化変数をBERTに組み込んだ。 シナリオイベント予測とストーリー終了予測という2つのイベント予測タスクの結果は,我々のアプローチが最先端のベースライン手法より優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-22T13:37:38Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Integrating Deep Event-Level and Script-Level Information for Script Event Prediction [60.67635412135681]
  本稿では,MCPredictorと呼ばれるTransformerベースのモデルを提案する。 The experimental results on the wide-useed New York Times corpus showed the effectiveness and superiority of the proposed model。
  論文  参考訳（メタデータ） (2021-09-24T07:37:32Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• CLEVE: Contrastive Pre-training for Event Extraction [44.11464475981792]
  CLEVEはイベント抽出のための対照的な事前トレーニングフレームワークである。 大規模な教師なしデータとセマンティック構造からイベント知識を学ぶ。 ACE 2005とMAVENデータセットの実験では、CLEVEが大幅に改善されている。
  論文  参考訳（メタデータ） (2021-05-30T09:50:17Z)
• Team RUC_AIM3 Technical Report at Activitynet 2020 Task 2: Exploring Sequential Events Detection for Dense Video Captioning [63.91369308085091]
  本稿では、イベントシーケンス生成のための新規でシンプルなモデルを提案し、ビデオ中のイベントシーケンスの時間的関係を探索する。 提案モデルでは,非効率な2段階提案生成を省略し,双方向時間依存性を条件としたイベント境界を直接生成する。 総合システムは、チャレンジテストセットの9.894 METEORスコアで、ビデオタスクにおける密封イベントの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-14T13:21:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。