上下文对比学习用于事件因果性鉴别

May, 2024

上下文对比学习用于事件因果性鉴别

In-context Contrastive Learning for Event Causality Identification

Chao Liang, Wei Xiang, Bang Wang

TL;DR该研究通过采用对比学习方法，利用正负样本来增强事件因果性识别的有效性，并应用于事件配对以更好地促进事件因果性识别，并在包括 EventStoryLine 和 Causal-TimeBank 在内的广泛使用的语料库上进行了评估，结果显示在最先进算法上有显著的性能提升。

Abstract

event causality identification (ECI) aims at determining the existence of a causal relation between two events. Although recent prompt learning-based approaches have shown promising improvements on the ECI task, their performance are often subject to the delicate design of multiple pro

event causality identification prompt learning-based approaches in-context learning paradigm in-context contrastive learning contrastive learning

发现论文，激发创造

C-ICL: 对比上下文学习的信息抽取

使用 c-ICL 方法，通过整合正确和错误的示例构造，通过使用正确的示例以及最近的正类示例，通过上下文学习展示来提高大型语言模型在信息提取方面的性能。

Feb, 2024

DAPrompt: 确定性假设提示学习用于事件因果关系识别

事件因果识别（ECI）是确定两个事件提及之间是否存在因果关系的任务。本研究提出了一种确定性假设提示学习模型（DAPrompt），通过评估事件间因果关系的假设合理性，显著改进了现有算法在事件因果识别任务中的性能。

Jul, 2023

文档事件因果性识别的同时学习

本文提出了一种迭代学习和识别框架，用于事件因果关系识别任务，通过更新事件的因果结构表示来提高因果识别的性能。实验证明，我们的方法在因果存在识别和方向识别的评估中优于现有的算法。

May, 2024

零 - shot 跨语言文档级事件因果识别：异构图对比迁移学习

本文提出了一种多粒度对比迁移学习的异构图交互模型，用于零样本跨语言文档级事件因果识别，模型在多语言环境中相比之前的最先进模型提高了 9.4% 的平均 F1 得分，并且在整体性能方面，超过了 GPT-3.5 少样本学习 24.3% 的性能。

Mar, 2024

LearnDA: 可学习的知识引导数据增强用于事件因果关系识别

本文介绍了一种新的事件因果识别训练数据增强方法，该方法采用双重学习框架和基于知识引导的方法生成新的句子，实验表明该方法在两个基准测试数据集上表现优于之前的方法。

Jun, 2021

事件因果关系提取与事件参数相关性

本文提出了一种名为 Event Causality Extraction（ECE）的新任务，旨在从文本中提取带有结构化事件信息的因果关系，并使用双网格标记方案和事件类型增强模型架构来实现该任务，实验证明了该方法的有效性，并指出了 ECE 的一些未来方向。

Jan, 2023

语义结构增强的事件因果关系识别

本文提出了一种名为 SemSIn 的模型，通过模拟事件中心结构和事件关联结构之间的语义关系，更准确地识别事件之间的因果关系，并在三个广泛使用的数据集上取得了显着的性能提升。

May, 2023

探究上下文学习行为：与监督学习的比较

大型语言模型（LLMs）在上下文学习（ICL）方面展示了显着的能力，在没有明确预训练的情况下，仅通过少量的训练示例学习新任务。然而，尽管 LLMs 获得了成功，对于 ICL 如何从给定的提示中学习知识却知之甚少。在本文中，为了对 ICL 的学习行为有所了解，我们通过 ICL 和监督学习 (SL) 分别使用相同的演示示例训练相同的 LLMs，并研究它们在一系列分类任务中在标签扰动（即嘈杂标签和标签不平衡）下的表现。通过广泛的实验证明，我们首先发现黄金标签对下游上下文性能有显著影响，尤其是对于大型语言模型；然而，对于所有模型大小，不平衡标签对 ICL 的影响较小。其次，通过与 SL 进行比较，我们实证表明 ICL 对标签扰动的敏感性较低，并且随着模型大小的增加，ICL 逐渐获得与 SL 相当的性能。

Jul, 2023

交互级别辅助对比任务的学生建模方法用于知识追踪和辍学预测

本研究提出了一种新的学生建模框架 SAICL：使用辅助交互级对比学习的学生建模，可以利用自监督和监督的交互级对比目标，不受数据增强方法的限制，在不损失推理成本的情况下实现了与其他最先进模型可比拟的知识追踪和退学预测性能。

Oct, 2022

关于现场学习的调查

本文概述了大型语言模型的新范式 —— 上下文学习，并探讨了训练策略和演示设计策略等高级技术，以及上下文学习所面临的挑战和未来方向。

Dec, 2022