ACLMay, 2024

在基于问答的事件提取中迈向更好的问题生成

PDF
TL;DR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。
event extractioninformation extractionquestion-answeringreinforcement learningqa models
发现论文，激发创造
  • 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

  • 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

  • 网络搜索中基于事件的查询扩展

    本文提出了一种新的查询扩展系统 Event-Centric Query Expansion（EQE），通过从大量的潜在事件中挖掘最佳扩展，快速准确地提高搜索质量，该系统已被部署在腾讯 QQ 浏览器搜索中，服务于数亿用户。

    May, 2023

  • 利用上下文定义对齐的零样本事件抽取

    该论文提出了一种零样本事件抽取方法，通过使用两个转换器模型将事件提及及其定义投射到相同的嵌入空间，通过对比学习来最小化它们的嵌入距离以实现定义语义建模，并在 MAVEN 数据集上进行了实验，表现优于之前的零样本和有样本监督方法。

    Nov, 2022

  • 通过对比学习和可逆事件转换进行事件中心的问答

    本文提出了一种利用对比学习和可逆事件转换的新型 QA 模型 TranCLR，将语义向量转化为共同的事件嵌入空间，并利用标注的事件关系类型和事件感知问向量来微调转换矩阵，通过定性和定量的实验结果，在 ESTER 数据集上得到显著的改进，实现了将事件知识注入 QA 模型学习的可行性。

    Oct, 2022

  • 事件知识的后验正则化融合在基于事件的问答中

    该论文提出了一种简单而有效的策略，通过后验正则化将从事件触发器注释中提取的事件知识纳入主流问答模型中，从而提高面向事件的问答模型的事件推理能力。

    May, 2023

  • 事件提取的再评估：过去、现在和未来的挑战

    本文讨论和解决事件提取评估中的挑战，并提出了 TextEE 作为一个标准化、公平和可重现的事件提取基准，包含了多个领域的标准化数据预处理脚本和数据集切分，重新评估了多个事件提取方法，并探索了大型语言模型在事件提取中的能力和未来挑战。

    Nov, 2023

  • 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

  • 答案生成与摘要：基于证据抽取的多阶段问答多任务学习

    该研究提出了一种基于 Query Focused Extractor (QFE) 模型的可解释的多跳问答系统，使用多任务学习并结合了问答模型进行证据点提取，实验结果表明该模型在 HotpotQA 和 FEVER 任务中达到了最佳证据提取效果。

    May, 2019

  • 细节决定成败：事件抽取评价的陷阱

    本论文旨在检查事件提取（EE）评估的可靠性，并确定三个主要问题：数据预处理差异，输出空间差异和缺乏管道评估。通过综合元分析和实证实验，我们展示了这些问题的显著影响，并提出了一系列解决方案，包括指定数据预处理、标准化输出，提供管道评估结果。为了帮助实施这些解决方案，本论文还开发了一个一致的评估框架 OMNIEVENT。

    Jun, 2023