通过检索增强生成提升帧检测性能
计算与语言
2025-02-19 v1 人工智能
机器学习
摘要
近期自然语言处理的进展显著提升了从非结构化文本中提取结构化语义表示的能力，尤其是在基于帧语义角色标签（FSRL）的方法方面。尽管取得了这些进展，但检索增强生成（RAG）模型在帧检测方面的潜力仍未得到充分探索。在本文中，我们提出首个基于 RAG 的帧检测方法，称为 RCIF（Retrieve Candidates and Identify Frames）。RCIF 也是首个无需显式目标 span 的方法， comprising 三个主要阶段：（1）从 various 表示中生成帧嵌入；（2）给定输入文本检索候选帧；（3）识别最合适的帧。我们在 various 配置下进行了广泛实验，包括零-shot、few-shot 和 fine-tuning 设置。我们的结果表明，检索组件通过缩小搜索空间显著降低了任务复杂度，从而允许帧标识符细化和完成候选帧的集合。我们的 method 在 FrameNet 1.5 和 1.7 上实现了 state-of-the-art 性能，证明了其在仅提供 raw text 场景下的鲁棒性。此外，我们利用通过该方法获得的结构化表示作为代理，来增强将自然语言问题翻译为 SPARQL 查询中的词汇变体的泛化能力。
引用
@article{arxiv.2502.12210,
title = {Enhancing Frame Detection with Retrieval Augmented Generation},
author = {Papa Abdou Karim Karou Diallo and Amal Zouaq},
journal= {arXiv preprint arXiv:2502.12210},
year = {2025}
}