SCTc-TE：时间事件预测的综合形式化与基准
信息检索
2024-04-04 v2 计算与语言
摘要
时间复杂事件预测旨在根据历史观测事件预测未来事件。大多数时间复杂事件的形式化要么是非结构化的，要么缺乏充分的时间信息，导致表示能力较差且预测能力有限。为弥补这些不足，我们创新性地引入了结构化、复杂且时间完整的时间事件（SCTc-TE）形式化。遵循这一综合形式化，我们开发了一个全自动流水线，并从约60万篇新闻文章中构建了一个名为MidEast-TE的大规模数据集。该数据集聚焦于2015年至2022年间主要在中东地区国家间的合作与冲突事件。不仅限于数据集构建，更重要的是，我们通过区分各种上下文信息（即局部和全局上下文）的关键作用，推进了预测方法。因此，我们提出了一种新颖的方法LoGo，它能够利用局部和全局上下文进行SCTc-TE预测。我们在我们提出的MidEast-TE数据集和原始GDELT-TE数据集上评估了我们的方法。实验结果表明了我们的预测模型LoGo的有效性。代码和数据集通过https://github.com/yecchen/GDELT-ComplexEvent发布。
引用
@article{arxiv.2312.01052,
title = {SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting},
author = {Yunshan Ma and Chenchen Ye and Zijian Wu and Xiang Wang and Yixin Cao and Liang Pang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2312.01052},
year = {2024}
}
备注
pre-print, 6 figures, 7 tables