由粗到细双编码器是更优的框架识别学习器

框架识别旨在找出句子中与目标词相关联的语义框架。近期研究通过建模框架定义来衡量目标与候选框架之间的相似度或匹配分数。然而，它们要么缺乏对定义充分的表示学习，要么在从超过 1000 个候选框架中高效选择最合适框架时面临挑战。此外，常用的词典过滤（$lf$）为目标获取候选框架可能会忽略词汇表外目标并导致框架建模不充分。本文中，我们提出 CoFFTEA，一种由粗到细框架与目标编码器架构（$\underline{Co}$arse-to-$\underline{F}$ine $\underline{F}$rame and $\underline{T}$arget $\underline{E}$ncoders $\underline{A}$rchitecture）。借助对比学习与双编码器，CoFFTEA 高效且有效地建模框架与目标之间的对齐关系。通过采用由粗到细的课程学习过程，CoFFTEA 逐步学会区分具有不同相似度的框架。实验结果表明，在不使用 $lf$ 的情况下，CoFFTEA 以 0.93 的综合得分和 1.53 的 R@1 优于先前的模型。进一步分析表明，CoFFTEA 能更好地建模框架与框架之间以及目标与目标之间的关系。我们的方法代码可在 https://github.com/pkunlp-icler/COFFTEA 获取。