面向事件参数提取的压缩记忆检索方法
计算与语言
2024-09-17 v1
摘要
最近的研究表明，检索增强在事件参数提取（Event Argument Extraction, EAE）任务中效果良好。然而，现有的检索式 EAE 方法存在两个主要局限：（1）输入长度限制；（2）检索器与推理模型之间的鸿沟。这些问题限制了检索信息的多样性和质量。为此，我们提出了一种基于压缩记忆的检索（Compressive Memory-based Retrieval, CMR）机制，用于 EAE，旨在解决上述两个局限。我们的压缩记忆设计为一种动态矩阵，有效缓存检索到的信息并支持持续更新，克服了输入长度的限制。此外，在将所有候选演示预加载到压缩记忆后，模型进一步基于输入查询从记忆中检索并过滤相关信息，弥合了检索器与推理模型之间的鸿沟。大量实验表明，我们的方法在三个公共数据集（RAMS、WikiEvents、ACE05）上实现了新的状态-of-the-art 性能，显著优于现有的检索式 EAE 方法。
引用
@article{arxiv.2409.09322,
title = {A Compressive Memory-based Retrieval Approach for Event Argument Extraction},
author = {Wanlong Liu and Enqi Zhang and Li Zhou and Dingyi Zeng and Shaohuan Cheng and Chen Zhang and Malu Zhang and Wenyu Chen},
journal= {arXiv preprint arXiv:2409.09322},
year = {2024}
}
备注
15 pages