总统上周去了哪里？从新闻文章中检测名人行程

名人的行踪具有普遍重要性。例如，政治人物去了哪里、访问频率以及会见了谁，都带有深远的地缘政治与经济影响。尽管新闻文章包含名人的出行信息，但由于缺乏自动行程检测工具，无法进行大规模和网络化的分析。为设计此类工具，我们必须克服新闻文章间的异质性困难：1）单篇文章可能含有噪声，包含无关人物与地点，尤其在长文章中。2）虽然综合考虑多篇文章有助于确定某次特定行程，但关键语义仍分散于不同文章并夹杂各类噪声，难以有效聚合。3）超过 20% 的文章间接提及名人行程，而非使用确切名人名或地名，导致大量行程逃漏于常规检测算法。我们将每个候选地点相关的跨文章内容建模为图，以更好地关联关键信息并消除噪声。此外，我们基于注意力机制和节点相似度设计了特殊池化层，以减少长文章中的无关信息。为弥补间接提及造成的信息缺失，我们为命名实体（人物、组织、设施等）构建知识子图。具体而言，我们根据新闻描述动态更新如 G7 峰会等事件实体的嵌入，因为事件的属性（日期与地点）每次均不同，这是预训练事件表示所未捕获的。所提出的 CeleTrip 联合训练这些模块，优于所有基线模型，并在 F1 指标上达到 82.53%。