用于从文档中提取开放域事件的基于多模式文本和图形的方法

事件提取对于事件理解和分析至关重要。支持紧急场景下的文档汇总、决策等任务。然而，现有的事件提取方法存在局限性：（1）闭域算法仅限于预定义的事件类型，因此很少泛化到未见过的类型；（2）能够处理不受约束的事件类型的开放域事件提取算法在很大程度上忽视了 大语言模型 (LLM) 的潜力，尽管它们具有先进的能力。此外，它们没有明确地对文档级上下文、结构和语义推理进行建模，这对于有效的事件提取至关重要，但由于中间丢失现象和注意力稀释，对于 LLM 来说仍然具有挑战性。为了解决这些限制，我们提出了多模态开放域事件提取（MODEE），这是一种开放域事件提取的新方法，它将基于图的学​​习与 LLM 中基于文本的表示相结合，以模型文档级推理。对大型数据集的实证评估表明，MODEE 的性能优于最先进的开放域事件提取方法，并且可以推广到闭域事件提取，从而优于现有算法。