CLUE строит онтологию событий без экспертов за три шага: эмбеддинг, кластеры, имена

Препринт arXiv:2610.12580, опубликованный 12 октября 2026 года в разделе cs.CL, описывает CLUE — фреймворк, который берёт на себя три задачи, обычно ложащиеся на экспертов: выделение типов событий в датасете, присвоение им названий и разметку примеров. В основе три технических решения: совместное эмбеддинг-представление события, кластеризация с контрастивным лоссом и отдельный этап именования и уточнения типов. Авторы заявляют, что эксперименты подтверждают эффективность метода, и выложили код.

Какую проблему решает CLUE

Онтология событий задаёт, какие вообще события в данных считаются отдельными типами: «слияние компаний», «судебный иск», «кибератака», «смена руководства». Без неё не работают извлечение событий, построение графов знаний и мониторинг новостных потоков.

Сейчас процесс выглядит так. Доменные эксперты пишут руководство по аннотации, придумывают типы и их названия, затем разметчики применяют схему к данным. Это дорого. Это медленно. И результат зависит от взглядов конкретных людей: другая команда экспертов получит другую схему. Для нового домена, скажем, медицинских отчётов или логов инцидентов, всё приходится начинать заново.

Как устроен метод

CLUE разбит на три части, и каждая отвечает за свой этап.

• Совместный эмбеддинг. Событие описывается двумя способами: через глагол-триггер (что именно происходит) и через семантику всего контекста. Эти два взгляда сводятся в одно векторное представление.
• Индукция типов. Векторы кластеризуются, при этом обучение направляется контрастивным лоссом: похожие события притягиваются друг к другу, разные расходятся. Кластеры становятся кандидатами в типы.
• Именование и уточнение. Каждому кластеру присваивается название, после чего типы корректируются. Как именно выбираются имена, в аннотации не сказано.

Логика связки понятна. Один глагол часто скрывает разные события: «закрыл» может относиться к сделке, магазину или уязвимости. Одна семантика без опоры на глагол, наоборот, размывает границы. Совмещение двух видов сигнала должно давать более чистые кластеры, чем любой из них по отдельности. Это наша интерпретация, а не заявленный в аннотации результат.

Что известно о работе

• Препринт: arXiv:2610.12580v1, раздел cs.CL, версия 1
• Задача: индукция типов событий, именование и аннотация без ручной онтологии
• Представление: совместный эмбеддинг глагольного и семантического видов события
• Обучение: кластеризация под управлением контрастивного лосса
• Выход: названия типов и их уточнение
• Код: репозиторий PratikMaitra/CLUE на GitHub
• Не раскрыто в аннотации: датасеты, базовые методы, численные метрики

Последний пункт важен. Фраза «эксперименты демонстрируют эффективность» без цифр пока остаётся заявлением. Прежде чем оценивать прирост, нужно посмотреть таблицы в самой статье: с чем сравнивали, на каких корпусах, по каким метрикам кластеризации и качества имён.

Кому это пригодится на практике

Наиболее очевидный сценарий — команды, которые запускают извлечение событий в новом домене и не хотят месяцами согласовывать схему с экспертами. Юридические документы, финансовые отчёты, новости по узкой отрасли, тикеты поддержки: везде, где типы событий заранее неизвестны, автоматический черновик онтологии экономит время.

Разумный порядок действий такой. Взять небольшую выборку своих данных и прогнать через репозиторий. Просмотреть получившиеся кластеры вручную: насколько они однородны и совпадают ли названия с тем, как событие назвал бы человек. Сравнить результат с существующей экспертной схемой, если она есть. И использовать CLUE как генератор первой версии онтологии, которую эксперт правит за часы, а не как замену экспертизе. Предвзятость экспертов метод снижает, но не убирает: она переезжает в выбор данных и гиперпараметров кластеризации.

Если полные эксперименты окажутся убедительными, подход станет удобным способом быстро стартовать с разметкой событий там, где готовых схем нет.