带提示的全局约束的零样本事件论元分类
本文提出了一种无监督事件抽取流程,使用先进的预训练语言模型并匹配语义,有效将事件映射到预定义的事件类型上,最终表现出色,成功地将 83% 的触发器和 54% 的参数映射到了正确类型。
Dec, 2020
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
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
本文提出了一个阅读理解框架,用于解决文本数据中的事件抽取问题,并在少量数据上进行优化,取得了零样本以及少样本情况下的优异表现,其次还在 ACE 2005 基准数据集上取得了最佳性能。
Oct, 2020
本文提出了一种问答方法来提取文档级别的事件 - 论证结构,使用手动定义的模板和生成型 Transformer 自动生成问题,并使用数据增强策略和迁移学习提高抽取结果的准确性,同时对最佳模型的错误进行详细分析。
Apr, 2024
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
本文介绍利用多语言预训练生成式语言模型进行零 - shot 的跨语言事件论元提取的研究。通过将 EAE 视为语言生成任务,论文提出的方法能够有效编码事件结构并捕获论元之间的依赖关系,提出了语言无关的模板以表示事件论元结构,从而适用于任何语言,最终在源语言训练模型,并直接应用于目标语言以实现事件论元提取。实验表明,所提出的模型在零 - shot 跨语言 EAE 方面优于当前最先进的模型,论文对它的优势和现有限制进行了全面的研究和误差分析。
Mar, 2022
本文提出了一种 SCPRG(Span-trigger-based Contextual Pooling and latent Role Guidance)模型,它包含两个新颖有效的模块,用于解决文档级事件论证提取的问题,并在公共数据集上表现出优越的性能。
Oct, 2023
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