OpenEP：开放式未来事件预测

《ACM Transactions on Information Systems》：OpenEP: Open-Ended Future Event Prediction

开放式未来事件预测（OpenEP）突破传统分类任务限制，提出动态数据集OpenEPBench，支持多视角开放性问题生成和自由格式结果标注，结合利益相关者扩展与类比事件分析，实验表明现有LLM难以准确预测开放式未来事件，为后续研究提供新方向。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

未来事件预测（FEP）是长期存在且至关重要的任务，因为了解事件的演变有助于早期风险识别、明智的决策和战略规划。现有的研究通常将事件预测视为分类任务，并将未来事件的结果限制在固定的范围内，例如是/否问题、候选集和分类法，这很难涵盖未来事件的所有可能结果。在本文中，我们介绍了OpenEP（一个开放式未来事件预测任务），它可以生成与现实世界情景相符的灵活多样的预测。这主要体现在两个方面：首先，预测问题多种多样，涵盖了事件发展的不同阶段和视角；其次，结果具有灵活性，不受范围或格式的限制。为了便于研究这一任务，我们构建了OpenEPBench，这是一个动态数据集，其中事件在发生当天就被标注出来。在问题构建方面，我们从七个角度提出问题，包括时间、地点、事件发展、事件结果、事件影响和其他方面，以便深入分析和理解事件的全面演变。在结果构建方面，我们收集包含结果的自由形式文本作为真实值，以提供语义完整且细节丰富的结果。此外，我们还提出了StkFEP，一个增强利益相关者的未来事件预测框架，该框架结合了事件特征以适应开放式设置。我们的方法提取了参与事件的利益相关者，以扩展问题并收集多样化信息。我们还收集了与上下文相关的事件和历史上的类似事件，以揭示潜在的演变模式。实验结果表明，对于现有的大型语言模型（LLMs）来说，在开放式设置中准确预测未来事件是具有挑战性的。此外，我们全面总结了预测过程中遇到的问题，希望为未来的研究提供见解。

人工智能摘要

人工智能生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

要查看此由人工智能生成的简单语言摘要，您必须具有高级访问权限。