基于因果干预的提示去偏置事件论元抽取
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
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
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。
Apr, 2022
事件因果识别(ECI)是确定两个事件提及之间是否存在因果关系的任务。本研究提出了一种确定性假设提示学习模型(DAPrompt),通过评估事件间因果关系的假设合理性,显著改进了现有算法在事件因果识别任务中的性能。
Jul, 2023
本论文探讨了在多任务文本生成模型中,使用问题 - 答案格式输入与前提 - 假设格式输入是否会影响模型的社会偏见,并使用两个基准测试评估了 T0 模型在其中的表现,结果表明前者会使得模型表现出更多的社会偏见。
May, 2022
该研究量化了各种类型提示的偏差,并评估了其对不同基准测试的影响。通过提出一种基于表示的方法来缓解提示偏差,研究发现该方法不仅可以纠正由提示偏差引起的过拟合性能,还可以显著提高提示检索能力。
Mar, 2024
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
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
通过实验证明,设计复杂的提示可能并不一定比设计简单的提示更有效,设计的提示中的关键词的改变会影响整体性能,在面对长文档时,设计复杂的提示可以获得更好的性能。
May, 2024
本文探讨在生物医学领域中的关系抽取问题,研究使用集成学习的方式能否提高在 ChemProt 数据集上的预测结果,结果展示了基于掩码的抽取方法有潜力在该特定领域关系抽取任务中取得优异的性能。
Apr, 2022