COLINGApr, 2024

提问和回答以提取事件论元结构

PDF
TL;DR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。
question-answeringevent-argument structuresdata augmentationtransfer learningerror analysis
发现论文，激发创造
  • 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

  • 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

  • 生成文档级事件论点提取的非语境化和语境化问题

    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。

    Apr, 2024

  • 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

  • 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

  • 一种双流 AMR 增强模型用于文档级事件论元抽取

    本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR)，通过双流编码模块从不同角度对整个文档进行编码，利用局部和全局信息，并采用边界损失增强边缘信息，取得了跨句子事件论元抽取方面的巨大进展。

    Apr, 2022

  • 带提示的全局约束的零样本事件论元分类

    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

  • 针对少样本事件抽取探测和微调阅读理解模型

    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

  • 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

  • 通过句子简化改进零样本事件提取

    本文提出一种通用方法，在 MRC 模型的指导下执行无监督的句子简化，以改善 MRC-based 事件提取的性能，并在 ICEWS 地缘政治事件提取数据集上进行评估，特别关注 'Actor' 和 'Target' 参数角色，结果显示上下文简化可以提高演员提取 5% 以上和目标提取 10% 以上的性能。

    Apr, 2022