通过发生-收敛 LLM 推理提升零样本事件检测 DiCoRe
计算与语言
2025-09-19 v2 人工智能
机器学习
摘要
零样本事件检测(ED)——即无训练数据地识别自然语言文本中事件提及的任务——对于文档理解的专业领域至关重要。理解复杂事件本体、从文本中提取领域特定触发词并对其进行恰当结构化处理，会使大型语言模型(LLM)在零样本ED任务中受到限制。为此，我们提出 DiCoRe，一种发生-收敛推理框架，通过 Dreamer 与 Grounder 解耦 ED 任务。Dreamer 通过开放式事件发现鼓励发生推理，有助于提升事件覆盖率。相反，Grounder 引入收敛推理，通过有限状态机引导的受约束解码将自由形式的预测与任务特定指令对齐。此外，LLM-Judge 验证最终输出以确保高精度。通过在六个数据集上进行大规模实验，涵盖五个领域和九个 LLM，我们展示，DiCoRe 在所有零样本、迁移学习和推理基线上均显著优于先前方法，平均 F1 分数提升 4-7\%——确立 DiCoRe 为强大的零样本事件检测框架。
引用
@article{arxiv.2506.05128,
title = {DiCoRe: Enhancing Zero-shot Event Detection via Divergent-Convergent LLM Reasoning},
author = {Tanmay Parekh and Kartik Mehta and Ninareh Mehrabi and Kai-Wei Chang and Nanyun Peng},
journal= {arXiv preprint arXiv:2506.05128},
year = {2025}
}
备注
Accepted at EMNLP 2025 Main