超越成对比较：全局零样本时序图生成
计算与语言
2025-09-23 v3
摘要
时序关系抽取（Temporal Relation Extraction, TRE）是自然语言处理（NLP）中的基础任务，涉及识别文档中事件之间的时序关系。尽管大型语言模型（LLM）取得了显著进展，但其在TRE中的应用仍然有限。大多数现有方法依赖于成对分类，即孤立地对事件对进行分类，导致计算效率低下且生成的时序图缺乏全局一致性。在本工作中，我们提出了一种新颖的零样本方法，用于TRE，该方法在单步中生成文档的完整时序图，随后通过时序约束优化来细化预测并强制时序关系的一致性。此外，我们引入了OmniTemp，一个新的数据集，包含文档中所有目标事件对的完整标注。通过实验和分析，我们证明所提出的方法优于现有的零样本方法，并为监督TRE模型提供了具有竞争力的替代方案。
引用
@article{arxiv.2502.11114,
title = {Beyond Pairwise: Global Zero-shot Temporal Graph Generation},
author = {Alon Eirew and Kfir Bar and Ido Dagan},
journal= {arXiv preprint arXiv:2502.11114},
year = {2025}
}
备注
Accepted to the main track of EMNLP 2025