本研究提出了LLM-EvRep，一个自监督框架下的事件表示生成器，旨在提高事件驱动视觉内容处理的效率。实验结果表明，LLM-EvRep在事件识别任务中相较于E2VID方法性能显著提升，具有广泛的应用潜力。

本研究提出开放词汇音视频事件定位（OV-AVEL）任务，解决了音视频事件定位中对未知事件类别处理不足的问题。通过引入OV-AVEBench数据集和基准方法，显著提升了开放集环境下的音视频事件识别能力。

本文提出了一种新模型用于跨文档指代消解，结合增量式聚类和神经网络结构，显著提升了实体和事件的引用关系识别效果。研究表明，该模型在多个语料库上优于现有方法，强调了不同输入和表示类型在指代消解中的重要性。

本文综述了早期语言构造与机器学习在因果关系提取中的应用，提出了一个集成时间与因果关系的框架，利用大型语言模型进行事件因果识别，展示了其在故事理解中的潜力，并探讨了基于文本的因果关系提取方法及其在不同数据集上的表现。

HyperMV是一个多视角基于事件的行为识别框架，引入了THU-MV-EACT-50数据集。实验结果显示，HyperMV在跨主体和跨视角情况下优于基线模型，并超越了现有技术水平。

本文介绍了多种事件因果关系识别模型和方法，如SemSIn、ECE、ERGO、GIT等，这些模型在不同数据集上表现出显著的性能提升。研究涵盖双重学习框架和跨语言提取等技术，展示了事件识别和因果关系提取的进展及未来方向。