基于模型预测的有意识事件提取：分解、增强和提取模式
内容提要
本研究探讨了利用大型语言模型（LLMs）进行事件模式的自动归纳与知识提取，提出了名为ESHer的事件模式收割机，能够高效生成高质量事件模式。实验结果显示，LLMs在事件推理和表格数据提取方面仍需改进，并提出了新方法以提升其性能。
延伸解读
事件模式归纳的自动化尝试
文章提出ESHer系统，利用大型语言模型自动归纳事件模式，通过上下文生成式概念化、置信度感知式模式结构化和基于图的模式聚合，在不同领域生成高质量、高覆盖率的事件模式。这减少了人工修订的需求，为事件知识提取提供了新途径。
LLM事件推理的局限与改进
评估显示，大型语言模型在事件推理方面表现不平衡，整体仍不尽如人意。研究者提出两种方法指导LLM利用事件模式知识，并取得改进。这表明当前LLM在事件推理上仍需外部知识引导，不能完全依赖其内生能力。
自由事件抽取的图模型方法
针对事件抽取任务，文章提出基于提示的图模型，通过提示获取候选触发器和参数，并构建异构图编码事件内部和事件间结构。该方法在预定义和无预定义事件模式下均表现优异，且能自动检测高质量事件模式，提升了抽取的灵活性。
表格信息提取的架构驱动与分解策略
文章引入架构驱动信息提取任务，使用LLM将表格转换为结构化记录，并提出InstrucTE方法，仅需人工构建的抽取架构，具备错误恢复策略。同时，通过将大表格分解为小子表格进行推理，在多个数据集上表现优异，首次在TabFact上超越人类。
Q&A
ESHer事件模式收割机的主要功能是什么？
ESHer能够高效生成高质量事件模式，并通过人工技术进行修订以提取事件知识。
大型语言模型在事件推理方面的表现如何？
实验表明，大型语言模型在事件推理方面的表现仍需改进。
如何提高大型语言模型的事件模式知识利用效率？
提出了两种方法来指导大型语言模型更有效地利用事件模式知识。
基于提示的图模型在事件抽取中有什么优势？
该模型在预定义和无预定义事件模式下均能取得优秀性能，并自动检测到高质量事件模式。
如何将复杂表格数据转换为结构化记录？
使用大型语言模型将表格数据转换为遵循人类撰写的架构的结构化记录，并发展了InstrucTE方法。
研究中提出的创新方法解决了什么问题？
该方法解决了多模态大型语言模型中的事件级幻觉问题，特别关注视频内容中的时间理解。
