DEGAP: 基于模板的事件论元提取模型的双事件导向自适应前缀与槽查询
本文提出了一种生成式基于模板的事件抽取方法,通过将上下文信息与类型特定前缀相结合,学习每个上下文的上下文特定前缀。实验结果表明,该模型在 ACE 2005 上达到了与最先进的基于分类的 OneIE 相媲美的结果,在 ERE 上表现最好,并且该模型被证明对新类型的事件具有良好的可移植性。
May, 2022
本研究提出了一个语义提及图增强模型,通过构建语义提及图来解决文档级事件论证抽取中的两个问题,并将关系特定的图融入到预训练语言模型的输入嵌入中,通过拓扑信息优化编码部分,从而全面增强关系,并在实验中取得了超越基线方法和达到新的最先进性能的结果。
Mar, 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
提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation),该模型能够同时从文档中提取所有事件的论证,并能够在四个公共数据集上达到最新的最佳性能,并显著节省推理时间。
May, 2024
该研究提出了利用语法引导 transformer 的长距离依存关系,来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上,该方法取得了新的最高性能。
Oct, 2020
基于文档的事件论证提取(EAE)需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架,通过计算每个事件的难度,并按照简单到复杂的顺序进行提取,以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4%,这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。
Oct, 2023
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
本文主要介绍了通过利用事件共现特性可以提高事件提取以及事件参数提取质量,提出了一种基于表格生成的非自回归框架 TabEAE,并在 4 个数据集上进行了 3 种不同的训练推理方案实验,结果表明该方法在 4 个数据集上均达到了最优的性能表现。
Jun, 2023
本文介绍利用多语言预训练生成式语言模型进行零 - shot 的跨语言事件论元提取的研究。通过将 EAE 视为语言生成任务,论文提出的方法能够有效编码事件结构并捕获论元之间的依赖关系,提出了语言无关的模板以表示事件论元结构,从而适用于任何语言,最终在源语言训练模型,并直接应用于目标语言以实现事件论元提取。实验表明,所提出的模型在零 - shot 跨语言 EAE 方面优于当前最先进的模型,论文对它的优势和现有限制进行了全面的研究和误差分析。
Mar, 2022
本篇论文通过在语义图中定义阶段和适应学习进展的提示模板,提出了一种基于课程学习的提示微调方法,结合预先训练的语言模型,解决了跨文本范围内的隐性事件参数提取问题,并在两个基准测试数据集中都表现优异。
May, 2022