.png){kind=icon}
返回
Multi-level encoder architectures for event causality identification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108356.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出多层级编码器架构（MEA）以显式捕获多层级的事件信息：句子层级、事件层级、事件对层级和语篇层级。通过整合来自这些不同层级的信息，MEA增强了事件表示，并显著提高了因果性预测的准确性。
• 引入一种基于主要事件构建图的方法。该方法可无缝集成到图神经网络（GNNs）中，用于建模事件关系并增强编码过程。
• 在两个广泛使用的公共事件因果性识别基准上的全面评估表明，我们的模型优于现有方法。这突显了其优越性能，并证实了其潜在的实际应用价值。
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
暂无机构信息
引用论文
Using Bidirectional LSTM and Shortest Dependency Path for Classifying Arabic Temporal Relations使用双向LSTM和最短依存路径对阿拉伯语时态关系进行分类
PREAI
分享收藏Multi-level semantic representation enhancement network for relationship extraction.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
分享收藏分享收藏
Multi-perspective respondent representations for answer ranking in community question answering
PREAI
分享收藏分享收藏
查看更多内容