本文介绍了 Multi-view Prompting （MvP） 的概念，该方法通过不同的视角聚合在指定格式中生成的情感元素，可以有效地模拟多视角和多任务。MvP 通过元素顺序提示，引导语言模型生成多个情感元组，并通过投票选择最合理的元组。研究表明，该方法在 4 项基准任务中的 10 个数据集上，甚至在低资源设置中都显著提升了现有最先进的性能，并得到了广泛的评价验证，证实了 MvP 的有效性、灵活性和跨任务可转移性。

May, 2023

本文提出了 SentiPrompt 框架，通过在联合框架中注入情感知识并构建一致性和极性判断模板，明确建模方面和观点术语之间的关系，使其优于三元组提取，一对提取和情感分类方面的强基线。

Sep, 2021

本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本情况下。

Oct, 2022

本文提出了一种基于动态顺序模板（DOT）的 ABSA 方法，通过基于实例级熵动态生成每个实例所需的视图，确保多样化和相关的视图生成，提高 ASQP 和 ACOS 数据集上的 F1 分数，同时显著减少推理时间。

Jun, 2024

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

在信息爆炸时代，时空数据挖掘作为城市管理的关键部分，通过同时预测多个时空属性，可以减轻监管压力，推动智能城市建设。本文提出了一种针对时空多属性预测的有效解决方案，PromptST，通过时空变换器和参数共享训练机制来处理不同时空属性之间的共同知识，以及一种轻量级时空指令调优策略来适应特定属性。通过预训练和指令调优阶段，PromptST 能够增强对特定时空特征的捕捉能力，并保持已学习的共同知识。在真实数据集上进行的广泛实验证明，PromptST 达到了最先进的性能。此外，我们还证明 PromptST 在未见过的时空属性上具有很高的可迁移性，为城市计算带来了有前景的应用潜力。实现代码可用于方便的复现。

Sep, 2023

在网络安全领域中，战术、技术和程序（TTP）代表复杂的攻击模式，文本知识库中以百科全书的形式描述。寻找网络安全写作中的 TTP，通常称为 TTP 映射，是一项重要且具有挑战性的任务。为了减少模型学习能力受限的问题，我们采用了一种不同的学习范式，即通过文本与 TTP 标签之间的直接语义相似性来决定文本与 TTP 标签的关联，从而降低了仅在庞大的标签空间中竞争的复杂性。为此，我们提出了一种具有有效基于采样的学习比较机制的神经匹配架构，以便使匹配模型能够在资源受限的情况下进行学习。

Jan, 2024

在实时场景下，持续监测神经时序点过程（TPP）以学习流式事件序列是一个重要且尚未深入研究的问题。本文提出了一种简单而有效的框架 PromptTPP 来解决这一挑战，通过将基础 TPP 与连续时间检索提示池集成，使得模型能够在不缓存过去的例子或任务特定属性的情况下连续学习事件流。针对建模事件流的实验性设置，PromptTPP 在三个真实用户行为数据集上持续达到最先进的性能。

Oct, 2023

本文提出了 Prompt-based Text Entailment (PTE) 低资源命名实体识别技术，将命名实体识别作为文本蕴含任务，并使用 Pre-trained Language Models 和 entity type-specific prompts 来获得高性能。通过在 CoNLL03 数据集和 MIT Movie 及 Few-NERD 数据集上进行的实验，结果表明该方法 PTE 在低资源场景下的表现优于微调的对照组。

Nov, 2022

通过多空间投影和提示融合的方式，我们提出了一种高效的提示调整方法（EPT），旨在解决平衡准确性和效率的问题，同时提升语言模型在不同下游任务上的表现。实验结果表明，相对改进百分比高达 28.8％，训练时间减少了 14％。

May, 2024