AMPERE：用于基于生成的事件论元抽取模型的 AMR 感知前缀
计算与语言
2023-05-29 v1 人工智能
摘要
事件论元抽取（EAE）为给定事件识别事件论元及其特定角色。近期基于生成的 EAE 模型的进展显示出优于基于分类模型的性能与泛化能力。然而，现有基于生成的 EAE 模型多聚焦于问题重构与提示设计，未引入已被证明对基于分类的模型有效的附加信息，例如输入段落的抽象语义表示（AMR）。由于基于生成的模型普遍使用的自然语言形式与 AMR 的结构化形式存在异质性，将此类信息融入生成模型具有挑战性。本工作中，我们研究将 AMR 融入基于生成的 EAE 模型的策略。我们提出 AMPERE，其为生成模型的每一层生成 AMR 感知前缀。由此，前缀将 AMR 信息引入基于生成的 EAE 模型并改进生成。我们还为 AMPERE 引入一种调整后的复制机制，以帮助克服 AMR 图带来的潜在噪声。在 ACE2005 与 ERE 数据集上的综合实验与分析表明，AMPERE 在训练数据减少的情况下可获得 4%–10% 的绝对 F1 分数提升，且在不同训练规模下总体表现强劲。
引用
@article{arxiv.2305.16734,
title = {AMPERE: AMR-Aware Prefix for Generation-Based Event Argument Extraction Model},
author = {I-Hung Hsu and Zhiyu Xie and Kuan-Hao Huang and Prem Natarajan and Nanyun Peng},
journal= {arXiv preprint arXiv:2305.16734},
year = {2023}
}
备注
Paper accepted by ACL2023 as a main conference paper. The first two authors contribute equally. Code can be publicly accessible at https://github.com/PlusLabNLP/AMPERE