Jan, 2024

通过层次建模和逐对改进释放 LLMs 在事件论证提取中的潜力

PDF
TL;DR本研究提出了一种基于开源大型语言模型（LLMs）的层次化框架 ULTRA，用于在文档级别进行事件参数抽取，该方法相较于强监督模型和 ChatGPT，在精确定位事件参数范围、减轻位置偏见等方面表现优越，并且在精确匹配（EM）指标上提高了 9.8％的性能。
structural extractionevent argument extractiondocument-level eaelarge language modelsultra
发现论文，激发创造
  • 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

  • 仅需 Mad Libs：增强跨领域文档级事件参数数据

    利用 Mad Lib Aug (MLA) 生成的数据，可以提高文档级事件论点提取的性能，特别是在低资源跨领域环境下，并且引入了 Role-Depth F1（RDF1）作为新的度量指标来衡量不同领域中语义异常的角色。

    Mar, 2024

  • 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

  • 从简单到复杂：一个逐步进行的框架，用于文档层面的信息论证提取

    基于文档的事件论证提取（EAE）需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架，通过计算每个事件的难度，并按照简单到复杂的顺序进行提取，以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4％，这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。

    Oct, 2023

  • 基于模型预测的有意识事件提取：分解、增强和提取模式

    本研究聚焦于利用大型语言模型（LLMs）进行自动事件提取，介绍了一种新方法以解决幻觉问题，通过将任务分解为事件检测和事件参数提取，并将动态结构感知的增强检索示例集成到为每个具体查询定制的提示中，从而扩展和适应检索增强生成等先进提示技术。评估结果表明，与基线方法相比，该方法在突出的事件提取基准和合成基准测试中表现出卓越的性能。

    Jun, 2024

  • Few-Shot Document-Level Event Argument Extraction

    本文研究如何在文档级别抽取跨句子传播的事件参数，提出了 FewDocAE 基准，介绍了在 Few-Shot 学习环境下采用先进的神经模型进行实验的基线结果。由于学习过程限制在非常少的例子上，这是一项具有挑战性的任务。希望该基准能够鼓励更多相关方面的研究。

    Sep, 2022

  • 跨语言零 - shot 事件论元抽取的多语言生成语言模型

    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

  • 基于 AMR 的文档级事件论元提取中的链路预测方法

    本文提出 Tailored AMR Graph (TAG) 的方法，并使用图神经网络作为链接预测模型来查找事件参数，实验结果表明，该简化方法在测试集 WikiEvents 和 RAMS 上分别优于当前最先进模型 3.63pt 和 2.33pt F1，且降低了 56％的推断时间。

    May, 2023

  • 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

  • 超越单事件提取：迈向高效的文档级多事件论证提取

    提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation)，该模型能够同时从文档中提取所有事件的论证，并能够在四个公共数据集上达到最新的最佳性能，并显著节省推理时间。

    May, 2024