ACLApr, 2024

生成文档级事件论点提取的非语境化和语境化问题

PDF
TL;DR本文提出了多种问题生成策略，用于文档级事件论证提取。这些策略不需要人工参与，生成的问题既有非上下文化的问题，也有基于感兴趣事件和文档的上下文化问题。实验结果表明，将非上下文和上下文问题相结合是有益的，特别是当事件触发器和论证出现在不同的句子中。我们的方法没有特定于语料库的组件，具体而言，问题生成策略可以在不同的语料库中进行转移。我们还对我们最佳模型最常见的错误进行了定性分析。
question generationevent argument extractioncontextualized questionscorpus-specific componentsqualitative analysis
发现论文，激发创造
  • 提问和回答以提取事件论元结构

    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

  • 事件提取作为问题生成和回答

    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

  • 条件生成实现的文档级事件论元抽取

    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

  • 提升问题生成的上下文捕获能力

    本文旨在通过运用多阶段关注机制和序列到序列模型，在长文档的背景下产生更真实的问题，结果表明在 SQuAD、MS MARCO 和 NewsQA 三个问答数据集上，该方法优于现有方法。

    Oct, 2019

  • 文档级论证抽取的动态全局内存

    本文采用新型全局神经生成框架，构建文档存储器记录上下文事件信息，并利用它来隐式和显式地协助后续事件的参数解码，以解决从新闻文章中提取事件信息的挑战性问题，并且相比于之前的方法表现更出色并且对具有限制解码设计的对抗性注释样例更加稳健。

    Sep, 2022

  • 通过回答 (几乎) 自然问题进行事件提取

    将事件抽取视为问答任务，实现端到端的事件参数提取，相比现有方法有显著提升。同时，也能够在零样本学习情况下提取训练期间未见过的事件参数角色。

    Apr, 2020

  • 检索辅助生成式问答用于事件论元抽取

    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

  • 通过简单的实体关注问题对复杂事件场景进行建模

    本文提出了一种基于问题引导的生成框架，用于模拟在复杂场景下的事件序列。此框架包含三个问题：参与者做了什么、对参与者发生了什么、以及其他事件。通过先前生成的事件作为上下文信息，将下一个事件作为以上三个问题的答案之一生成，从而探索复杂场景中的事件序列。该框架可以由用户输入参与者和问题，从而实现可控探索。实验结果表明，与标准事件语言模型相比，这种基于问题引导的模型能够更好地涵盖参与者、在领域内产生多样性事件、具有可比的建模事件序列的困惑度，以及更有效地控制交互式模式生成。

    Feb, 2023

  • 高效鲁棒的基于极小上下文的文档问答

    该研究探讨了答题所需的最小上下文，并提出了一种简单的句子选择器用于选择最小的句子来喂养问答模型，以实现训练和推理时间的显著减少并提高精度，并且更加鲁棒。

    May, 2018

  • 在基于问答的事件提取中迈向更好的问题生成

    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