事件知识的后验正则化融合在基于事件的问答中
本文提出了一种利用对比学习和可逆事件转换的新型 QA 模型 TranCLR,将语义向量转化为共同的事件嵌入空间,并利用标注的事件关系类型和事件感知问向量来微调转换矩阵,通过定性和定量的实验结果,在 ESTER 数据集上得到显著的改进,实现了将事件知识注入 QA 模型学习的可行性。
Oct, 2022
本文提出了 QGA-EE 模型,利用动态模板和问题生成技术有效处理事件提取任务中的多个参数、上下文信息和固定模板的问题,优于之前的单一任务模型,并在 ACE05 英语数据集上取得了最好的表现结果。
Jul, 2023
本文提出了一种基于概率领域知识构建分布式约束的框架,并且通过 Lagrangian Relaxation 解决约束的推理问题,用于端到端的事件时间关系提取任务,实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。
Sep, 2020
本研究介绍了 Event-QA 数据集,该数据集专注于回答关于事件的问题,针对现有 QA 系统和数据集关注于实体问题的情况,提供了一种新的回答事件问题的方法。
Apr, 2020
通过利用强化学习方法,我们提出了四个评估问题质量的标准,并在基于问题回答的事件提取中生成了流畅、具有概括性和上下文相关性的问题,从而为 QA 模型提供了明确的指导。在 ACE 和 RAMS 数据集上进行的广泛实验证实了我们方法的有效性,同时也展示了它在训练数据有限的情况下的鲁棒性。
May, 2024
本文提出了一种论据提取的检索增强生成问答模型,结合了生成方法和检索技术,从而提高了事件论据提取的性能,并提出了一种基于聚类的样本采样策略,以进一步提高模型在 few-shot 学习中的表现。
Nov, 2022
提出了一种联合约束学习框架来对事件 - 事件关系进行建模,这种方法有效弥补了联合标记数据的缺失,并在时间关系提取和事件层级构建方面优于现有的方法,同时也可在外部语料库上诱导事件复合体的有效性。
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
本文通过整合逻辑规则和神经模型,使用基于一致性的正则化来提高问答任务中对比问题的响应的准确性和一致性,该方法在各种问题回答(QA)任务中获得大幅提高。特别是,在数据集中,我们的方法使 RoBERTa 模型的性能提高了 1-5%,,并在 WIQA 和 QuaRel 上将现有技术水平提高了约 5-8%,在 HotpotQA 上减少一致性违规 58%。同时,我们进一步证明了我们的方法可以从有限的数据中有效地学习。
Apr, 2020