Apr, 2022

提示的艺术：基于类型特定提示的事件检测

PDF
TL;DR通过比较不同形式的提示符来表示事件类型，并开发一种统一框架来结合特定于事件类型的提示符，用于监督、少量样本和零样本事件检测，实验结果表明，一种定义明确、全面的事件类型提示符可以显著提高事件检测的性能，特别是在注释数据匮乏 (少样本事件检测) 或不可用 (零样本事件检测) 的情况下。通过利用事件类型的语义特点，我们的统一框架相对于之前的最先进的基线提高了高达 24.3％的 F-score。
发现论文，激发创造
  • 基于提示元学习的零样本和小样本事件检测

    本文提出了一种基于元学习的框架 MetaEvent，用于零样本和少样本事件检测，采用填空提示和触发词感知软语言器等模块快速适应未见过的任务，通过最大均值差异构造对比元目标学习类别间差异，实现无先前知识的零样本事件检测与少样本事件检测，实验证明 MetaEvent 在 FewEvent 和 MAVEN 基准数据集上均实现了最佳性能。

    May, 2023

  • P4E: 基于提示引导的少样本事件检测及定位

    本研究提出了一种结合少量样本激励和结构化预测的识别与定位事件检测框架 P4E，该框架将事件检测分解为识别任务和定位任务，利用填空提示来对准获得预训练任务的目标，从而使我们的模型能够快速适应新的事件类型。

    Feb, 2022

  • 改进零样本事件检测的事件定义

    通过研究零样本事件检测中的事件类型和定义，提出了使用多样化的事件类型和定义来提高模型遵循事件定义的方法，并构建了一个自动生成的多样化事件定义（DivED）数据集进行实证研究，结果显示，大量的事件类型和多样化的事件定义可以显著提升事件提取性能，同时在训练中引入事件本体信息和困难负样本可以进一步提高性能，基于这些发现，在 DivED 数据集上微调 LLaMA-2-7B 模型，在三个零样本事件检测基准上取得了超越 GPT-3.5 等最新大语言模型的性能。

    Mar, 2024

  • MsPrompt：针对去偏少样本事件检测的多步提示学习

    本文提出了一个基于多步骤提示学习模型的真正的几乎零样本事件检测方法，旨在解决传统事件检测算法中存在的数据稀缺和上下文偏差问题，并通过对知识增强本体论的应用，以及 原型学习模块来提高事件分类和泛化性能。实验表明，与当前最好的基线模型相比，该方法在严格的低资源场景中提高了 11.43％的加权 F1 分数，并实现了卓越的去偏差性能。

    May, 2023

  • 基于提示学习和机器阅读理解的无触发器句子级事件检测

    本文提出了一种无触发词的事件检测模型，通过阅读理解和提示学习将事件检测转化为两个塔模型，在 ACE2005 和 MAVEN 的两个事件检测基准数据集上，实验结果表明，与现有的基于触发词和无触发词的方法相比，所提出的方法可以取得竞争性的性能。

    Jun, 2023

  • 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

  • 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

  • Few-shot Event Detection: 一个实证研究与一个统一的视角

    本文通过对 10 种方法的比较研究，提出一种对少样本事件检测模型的统一视图和基准，为未来的研究提供了许多有价值的研究见解。

    May, 2023

  • 重新思考事件编码管道与提示蕴含

    本文提出了一种名为 PR-ENT 的事件编码新方法，通过引入预训练语言模型对事件描述进行扩展，并将事件描述视为前提，填充的模板作为假设，从中提取可解释的答案，从而可直接起草编码手册，并通过交互式编码手册设计工具进行人机交互，从而更灵活、高效地对事件进行编码。

    Oct, 2022

  • 事件抽取的零样本迁移学习

    本文提出一种转移学习的神经架构，通过将事件提及和类型映射到共享语义空间中，实现事件提取，支持零样本学习，并在现有事件类型与新的事件类型上进行了实验，实现了与监督模型相当的效果。

    Jul, 2017