DEGAP：基于模板的事件论元抽取中双事件引导的自适应前缀与槽查询
计算与语言
2025-05-09 v3 人工智能
信息检索
摘要
事件论元抽取（EAE）的最新进展包括在训练和推理过程中将有用的辅助信息（如检索到的实例和事件模板）融入模型。这些方法面临两个挑战：（1）检索结果可能不相关；（2）模板是独立为每个事件开发的，没有考虑它们之间可能的关系。在这项工作中，我们提出DEGAP，通过简单而有效的组件来解决这些挑战：双前缀，即可学习的提示向量，其中面向实例的前缀和面向模板的前缀被训练来从不同的事件实例和模板中学习信息。此外，我们提出了一种事件引导的自适应门控机制，该机制可以自适应地利用不同事件之间可能的联系，从而从前缀中捕获相关信息。最后，这些事件引导的前缀为EAE模型提供相关信息作为线索，无需检索。大量实验表明，我们的方法在四个数据集（ACE05、RAMS、WIKIEVENTS和MLEE）上取得了新的最先进性能。进一步的分析显示了不同组件的影响。
引用
@article{arxiv.2405.13325,
title = {DEGAP: Dual Event-Guided Adaptive Prefixes for Templated-Based Event Argument Extraction with Slot Querying},
author = {Guanghui Wang and Dexi Liu and Jian-Yun Nie and Qizhi Wan and Rong Hu and Xiping Liu and Wanlong Liu and Jiaming Liu},
journal= {arXiv preprint arXiv:2405.13325},
year = {2025}
}
备注
Published as a conference paper in COLING 2025