白龙：中科院计算所在读博士生，研究方向为知识图谱、事件预测。
报告题目：整合深度脚本信息与事件信息的脚本事件预测
报告摘要：本文所提出的MCPredictor模型，整合了深度的事件信息和脚本信息，用以进行脚本事件预测。在事件层面，该模型利用了事件所在的原始文本中的丰富信息，以增强事件语义；在脚本层面，该模型考虑不同参与者所对应的叙事事件链，以建模各自的行为趋势。该模型在标准数据集上取得了当前最佳的实验结果。
分享亮点：
1、本文在事件信息层面，对事件所在的原始文本进行建模，抽取事件的更多要素，从而增强事件语义；
2、本文在脚本信息层面，建模多叙事事件链，以刻画不同参与者各自的行为趋势；
3、本文在标准数据集上取得了当前最佳的实验结果。
1. Unsupervised Learning of Narrative Event Chains
推荐理由：本领域的奠基性工作，首先提出了从叙事文本中抽取事件，并组成叙事事件链，基于叙事事件链提出了叙事完型的评估（后也称脚本事件预测）任务。
2. Unsupervised Learning of Narrative Schemas and their Participants
推荐理由：引入了一种基于启发式的从实体共指链到叙事角色的抽象策略，该策略一直沿用至今。
3. What Happens Next Event Prediction Using a Compositional Neural Network Model
推荐理由：该研究提出了多选形式的脚本事件预测任务，并开源了目前最常用的标准数据集的处理代码。该文提出的方法是一种非常典型的事件对建模方法，是目前最常用的基准模型之一。
4. Event Representation Learning Enhanced with External Commonsense Knowledge
推荐理由：该文引入了事件的情感极性和意图标签，增强了事件的语义表示，从而获得了较好的性能。可以用以了解和事件相关的常识知识。
5. Multi-Relational Script Learning for Discourse Relations
推荐理由：该文关注事件之间除时序之外的篇章关系，通过文本中的连接词远程监督标注出篇章关系，并利用TransE等知识图谱领域的表示学习方法，增强了事件的语义表示。
6. Weakly-Supervised Modeling of Contextualized Event Embedding for Discourse Relations
推荐理由：该文在上文引入篇章关系的基础上，采用了当前较为流行的多关系图卷积神经网络（R-GCN）进行叙事结构的建模，取得了较好的效果。
