Das Papier präsentiert eine neue Formulierung von Strukturierten, Komplexen und Zeitlich vollständigen Temporalen Ereignissen (SCTc-TE), die eine strukturierte, komplexe und zeitlich vollständige Darstellung von Ereignissen ermöglicht.
Zunächst wird eine Pipeline zur automatischen Konstruktion von SCTc-TE aus Nachrichtenartikeln entwickelt. Dabei werden Methoden des maschinellen Lernens wie große Sprachmodelle und zeitbasierte Clustering-Verfahren eingesetzt, um komplexe Ereignisse aus Textdaten zu extrahieren. Auf Basis dieser Pipeline werden zwei große Datensätze, MidEast-TE und GDELT-TE, erstellt.
Darauf aufbauend wird eine neuartige Methode zur Ereignisvorhersage, LoGo, vorgestellt. LoGo nutzt sowohl den lokalen Kontext innerhalb eines komplexen Ereignisses als auch den globalen Kontext über alle Ereignisse hinweg, um präzisere Vorhersagen zu treffen. Die Evaluierung auf den beiden Datensätzen zeigt, dass LoGo deutlich bessere Ergebnisse erzielt als bisherige Methoden.
Insgesamt präsentiert das Papier einen umfassenden Ansatz zur Modellierung und Vorhersage komplexer zeitlicher Ereignisse, der neue Maßstäbe setzt.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Yunshan Ma,C... pada arxiv.org 04-04-2024
https://arxiv.org/pdf/2312.01052.pdfPertanyaan yang Lebih Dalam