ACLFeb, 2022

PAIE：为事件论元提取提供提示的论证交互

PDF
TL;DR本文提出了一个高效的 PAIE 模型，用于句子级别和文档级别的事件参数抽取，同时通过多角色提示捕捉参数交互，并通过二分图匹配丢失进行联合优化，提供了 3 个基准测试的广泛实验结果和独特的抽取提示调整策略。
paieevent argument extractionpre-trained language modelsmulti-role promptsbipartite matching loss
发现论文，激发创造
  • 双向迭代 Prompt 调整用于事件论元提取

    本文提出了一种双向迭代 prompt-tuning 方法用于事件论元提取，将该任务视为填空式任务以充分利用实体信息和预训练语言模型（PLMs），通过引入上下文实体的论据角色来探索事件论证交互，并利用角色标签语义知识构建语义化言化器并为 EAE 任务设计三种模板，在 ACE 2005 英文数据集上进行有效性实验。

    Oct, 2022

  • 基于因果干预的提示去偏置事件论元抽取

    本文通过比较两种不同的提示策略，即基于名称的提示和基于本体的提示，揭示了本体提示方法在零样本事件论证提取中的优势，并提出了一种因果干预的去偏方法。实验表明，经过去偏处理后的基准模型不仅更为有效和鲁棒，而且在对抗攻击方面有显着的改进。

    Oct, 2022

  • 基于课程学习的隐式事件论元抽取中的提示调整

    本篇论文通过在语义图中定义阶段和适应学习进展的提示模板，提出了一种基于课程学习的提示微调方法，结合预先训练的语言模型，解决了跨文本范围内的隐性事件参数提取问题，并在两个基准测试数据集中都表现优异。

    May, 2022

  • 事件论元抽取的资源增强神经模型

    该研究提出了利用语法引导 transformer 的长距离依存关系，来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上，该方法取得了新的最高性能。

    Oct, 2020

  • 超越单事件提取：迈向高效的文档级多事件论证提取

    提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation)，该模型能够同时从文档中提取所有事件的论证，并能够在四个公共数据集上达到最新的最佳性能，并显著节省推理时间。

    May, 2024

  • 带提示的全局约束的零样本事件论元分类

    本文使用全局约束和提示来有效地处理事件参数分类，而无需任何标注和特定任务的训练，使用新的提示模板，可以轻松适应所有事件和参数类型，并且在多个数据集上实验证明了该方法的有效性。

    Feb, 2023

  • 从简单到复杂：一个逐步进行的框架，用于文档层面的信息论证提取

    基于文档的事件论证提取（EAE）需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架，通过计算每个事件的难度，并按照简单到复杂的顺序进行提取，以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4％，这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。

    Oct, 2023

  • 文本到图像生成的动态提示优化

    通过引入 Prompt Auto-Editing (PAE) 方法，我们改进了文本生成图像的初衷，进一步采用在线加强学习策略来探索每个词的权重和注入时间步长，从而实现了动态的精细控制提示。实验结果表明，我们的方法在改善原始提示的同时生成了视觉更吸引人的图像，并保持了语义的一致性。

    Apr, 2024

  • Few-Shot Document-Level Event Argument Extraction

    本文研究如何在文档级别抽取跨句子传播的事件参数，提出了 FewDocAE 基准，介绍了在 Few-Shot 学习环境下采用先进的神经模型进行实验的基线结果。由于学习过程限制在非常少的例子上，这是一项具有挑战性的任务。希望该基准能够鼓励更多相关方面的研究。

    Sep, 2022

  • 条件生成实现的文档级事件论元抽取

    本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

    Apr, 2021