事件类型归纳能够从无标注文本中自动发现并命名新事件类型,可以有效获取多个领域的事件知识。现有研究将所有样本视为单一事件样本,仅考虑样本包含的某个事件类型,忽略了多事件样本对事件语义学习和事件类型命名的负面影响。针对上述问...事件类型归纳能够从无标注文本中自动发现并命名新事件类型,可以有效获取多个领域的事件知识。现有研究将所有样本视为单一事件样本,仅考虑样本包含的某个事件类型,忽略了多事件样本对事件语义学习和事件类型命名的负面影响。针对上述问题,提出了一种结合对比学习和迭代优化的事件类型归纳方法。针对多事件样本对事件语义学习的影响,提出了一种基于提示学习的多事件检测方法,在模型训练前检测并剔除多事件样本。为了优化事件语义表示,提出了一种基于抽象语义表示(abstract meaning representation,AMR)的候选触发词识别策略,并引入外部锚点和聚类伪标签,优化对比学习训练效果。为了提升未知事件类型的命名质量,提出了一种基于ChatGPT反馈的事件类型命名迭代优化方法,根据ChatGPT的命名结果,剔除影响事件类型命名的样本,并使用经过处理的数据集微调模型。迭代上述过程,直到生成预期质量的事件类型名称。在ACE2005数据集上的实验结果表明,该方法能够显著提升未知事件类型的聚类效果,并能够有效生成高质量的事件类型名称。展开更多
针对现有的归纳关系预测方法中大多只考虑实体之间的关系路径,未考虑关系上下文包含的头尾实体的性质,提出一种融合关系路径和关系上下文的归纳关系预测(inductive relation prediction fusing relation path and context,IRP-RPC)模型...针对现有的归纳关系预测方法中大多只考虑实体之间的关系路径,未考虑关系上下文包含的头尾实体的性质,提出一种融合关系路径和关系上下文的归纳关系预测(inductive relation prediction fusing relation path and context,IRP-RPC)模型,将关系上下文作为关系路径的补充来进行归纳关系预测.该方法仅依赖于关系语义信息,因此能够自然地推广到完全归纳的设置.先使用随机行走寻径策略获取关系路径和关系上下文,再设计并实现一个层次化的融合了门控网络的Transformer架构来统一聚合关系路径和关系上下文,以捕获实体之间的联系和实体的内在属性,并采用这些组件的自适应加权组合来做出最终预测.在公开的FB15K-237和NELL-995的8个版本归纳数据集上进行实验,与9个基线模型相比,IRP-RPC模型在精确率-召回率曲线下的面积(area under the precision-recall curve,AUC-PR)和hits@10指标上均取得了优异的性能,验证了其有效性和可推广性.研究表明,IRP-RPC模型通过融合关系路径和关系上下文,能够更全面地建模实体间的语义联系与结构信息,在解决传统归纳关系预测方法中路径信息与上下文信息利用不足的问题上具有显著优势.展开更多
单纯使用Transformer进行目标跟踪的特征提取时,由于没有归纳偏差而无法自适应目标尺度和外观的变化。对此,借助CNN引入多尺度特性,提出了一种基于跨尺度融合特征与轨迹提示的目标跟踪方法(Cross Scale Fusion of Features and Trajecto...单纯使用Transformer进行目标跟踪的特征提取时,由于没有归纳偏差而无法自适应目标尺度和外观的变化。对此,借助CNN引入多尺度特性,提出了一种基于跨尺度融合特征与轨迹提示的目标跟踪方法(Cross Scale Fusion of Features and Trajectory Prompts Tracker,CSFTP-Tracker)。在构建目标跟踪网络输入时,将模板图像与搜索图像同时输入CNN与ViT网络融合的编码器中,设计了一种多级空间感知金字塔模块(Multi-Level Spatial Awareness Pyramid,MSAP)。首先,对多尺度CNN特征通过自注意力机制增强目标位置信息,然后将该多尺度特征与ViT中的F-embeddings特征相融合,输入ViT编码器。这种融合策略不仅增进了ViT内部补丁之间的信息交互,还使网络能够同时利用CNN的局部特性和Transformer的全局依赖能力。其次,将ViT提取的融合特征与轨迹提示特征输入解码器中,使用自回归学习目标位置。在GOT-10k数据集上的实验结果表明,相较于基线模型,所提出网络的平均重叠率(AO)提升了1.3%,成功率得分在阈值为0.5时(SR 0.5)也提高了1.4%。展开更多
文摘事件类型归纳能够从无标注文本中自动发现并命名新事件类型,可以有效获取多个领域的事件知识。现有研究将所有样本视为单一事件样本,仅考虑样本包含的某个事件类型,忽略了多事件样本对事件语义学习和事件类型命名的负面影响。针对上述问题,提出了一种结合对比学习和迭代优化的事件类型归纳方法。针对多事件样本对事件语义学习的影响,提出了一种基于提示学习的多事件检测方法,在模型训练前检测并剔除多事件样本。为了优化事件语义表示,提出了一种基于抽象语义表示(abstract meaning representation,AMR)的候选触发词识别策略,并引入外部锚点和聚类伪标签,优化对比学习训练效果。为了提升未知事件类型的命名质量,提出了一种基于ChatGPT反馈的事件类型命名迭代优化方法,根据ChatGPT的命名结果,剔除影响事件类型命名的样本,并使用经过处理的数据集微调模型。迭代上述过程,直到生成预期质量的事件类型名称。在ACE2005数据集上的实验结果表明,该方法能够显著提升未知事件类型的聚类效果,并能够有效生成高质量的事件类型名称。
文摘针对现有的归纳关系预测方法中大多只考虑实体之间的关系路径,未考虑关系上下文包含的头尾实体的性质,提出一种融合关系路径和关系上下文的归纳关系预测(inductive relation prediction fusing relation path and context,IRP-RPC)模型,将关系上下文作为关系路径的补充来进行归纳关系预测.该方法仅依赖于关系语义信息,因此能够自然地推广到完全归纳的设置.先使用随机行走寻径策略获取关系路径和关系上下文,再设计并实现一个层次化的融合了门控网络的Transformer架构来统一聚合关系路径和关系上下文,以捕获实体之间的联系和实体的内在属性,并采用这些组件的自适应加权组合来做出最终预测.在公开的FB15K-237和NELL-995的8个版本归纳数据集上进行实验,与9个基线模型相比,IRP-RPC模型在精确率-召回率曲线下的面积(area under the precision-recall curve,AUC-PR)和hits@10指标上均取得了优异的性能,验证了其有效性和可推广性.研究表明,IRP-RPC模型通过融合关系路径和关系上下文,能够更全面地建模实体间的语义联系与结构信息,在解决传统归纳关系预测方法中路径信息与上下文信息利用不足的问题上具有显著优势.
文摘单纯使用Transformer进行目标跟踪的特征提取时,由于没有归纳偏差而无法自适应目标尺度和外观的变化。对此,借助CNN引入多尺度特性,提出了一种基于跨尺度融合特征与轨迹提示的目标跟踪方法(Cross Scale Fusion of Features and Trajectory Prompts Tracker,CSFTP-Tracker)。在构建目标跟踪网络输入时,将模板图像与搜索图像同时输入CNN与ViT网络融合的编码器中,设计了一种多级空间感知金字塔模块(Multi-Level Spatial Awareness Pyramid,MSAP)。首先,对多尺度CNN特征通过自注意力机制增强目标位置信息,然后将该多尺度特征与ViT中的F-embeddings特征相融合,输入ViT编码器。这种融合策略不仅增进了ViT内部补丁之间的信息交互,还使网络能够同时利用CNN的局部特性和Transformer的全局依赖能力。其次,将ViT提取的融合特征与轨迹提示特征输入解码器中,使用自回归学习目标位置。在GOT-10k数据集上的实验结果表明,相较于基线模型,所提出网络的平均重叠率(AO)提升了1.3%,成功率得分在阈值为0.5时(SR 0.5)也提高了1.4%。
