本研究提出了一种基于大型语言模型的协作注释和分区提取方法，解决了事件提取领域中高效注释和强大提取方法的不足。该方法在大型数据集上表现优于现有技术，推动了事件提取的研究进展。

本研究探讨了触发器在文档级事件提取中的作用，发现其有效性受任务特性和数据质量影响。基本自动生成的触发器可以替代人工标注，而详细的事件描述则能增强模型的稳健性。

本研究探讨如何从短视频片段理解复杂事件，提出了一种多模态框架，将事件提取视为三阶段检索任务，并引入了注释丰富的基准数据集MultiVENT-G，展示了该方法在事件理解中的潜力与挑战。

本文探讨了通过弱监督模型训练强模型的有效性，特别是在自然语言处理和事件提取任务中。研究表明，辅助置信度损失和强化学习方法能显著提升模型性能，尤其在处理新事件类型时。提出的理论框架解释了弱到强的泛化现象，并强调了奖励函数选择的重要性。

本文介绍了多种事件提取框架，如EventGraph和JMEE，利用大型语言模型和图神经网络提升事件提取性能。这些方法在ACE和ERE数据集上表现优异，尤其在处理嵌套事件和复杂关系方面具有显著优势。

本文提出了TextEE作为一个标准化、公平和可重现的事件提取基准，包含了多个领域的标准化数据预处理脚本和数据集切分。通过重新评估多个事件提取方法，并探索大型语言模型在事件提取中的能力和未来挑战。

本文提出了一种新的事件提取框架，使用事件类型和参数角色作为自然语言查询，通过注意机制更好地捕捉语义相关性，并利用各种本体的事件注释作为统一模型。在 ACE 和 ERE 上的实验表明，本方法在每个数据集上均取得了最先进的性能，并在零-shot事件提取上显著优于现有方法。