IJCAIMay, 2022

基于课程学习的隐式事件论元抽取中的提示调整

PDF
TL;DR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。
implicit event argument extractioncurriculum learningpre-trained language modelsdeep learningsemantic graph
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

  • 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

  • PAIE：为事件论元提取提供提示的论证交互

    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。

    Feb, 2022

  • 一种语义提及图增强的文档级事件论元抽取模型

    本研究提出了一个语义提及图增强模型，通过构建语义提及图来解决文档级事件论证抽取中的两个问题，并将关系特定的图融入到预训练语言模型的输入嵌入中，通过拓扑信息优化编码部分，从而全面增强关系，并在实验中取得了超越基线方法和达到新的最先进性能的结果。

    Mar, 2024

  • 带有语法和语义结构的图形变换网络用于事件参数提取

    本文提出了一种基于图变换网络（GTNs）利用句子的句法和语义结构来学习更有效的句子结构的新模型，并引入了基于信息瓶颈的新归纳偏差来提高 EAE 模型的泛化性能，实验结果表明该模型在标准数据集上具有最先进的 EAE 性能。

    Oct, 2020

  • CARLG：利用上下文线索和角色关联提高文档级事件论元提取

    我们提出了 CARLG 模型，通过利用上下文线索和角色相关性，有效改进文档级事件论证提取，实验证明 CARLG 模型在多个数据集上优于现有方法，并且推理时间缩短了 31%。

    Oct, 2023

  • 利用事件知识进行隐式论证预测

    通过简单的 cloze 任务训练神经模型，提高了隐式论证预测性能，该模型利用叙事连贯性和实体显著性进行预测。

    Feb, 2018

  • 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

  • 通过双向实体级递归解码器捕获事件参数交互

    该研究提出了一种 Seq2Seq-like 的神经网络结构，用于解决事件参数抽取中存在的训练信号和顺序语义不足的问题，该结构使用具有上下文信息的实体 - 角色预测来生成参数角色。

    Jul, 2021

  • 基于文本推理的事件论元提取：多源学习实现零 - 和少样本

    本文通过使用预训练推理模型，将事件论元抽取等 NLP 任务转化为文本蕴涵任务，证明了文本蕴涵模型在复杂任务中同样有效，且可以大幅减少人工标注量和依赖于特定领域语料库的限制。使用多份蕴涵数据集来预训练模型是获得优异结果的关键。

    May, 2022