基于对比学习与可逆事件转换的事件中心问答
计算与语言
2022-12-15 v2
摘要
人类阅读理解常需要对叙事中事件语义关系进行推理，即事件中心问答(Event-centric QA)。针对事件中心QA，我们提出一种带有对比学习与可逆事件转换的新型QA模型，称为TranCLR。我们所提模型利用可逆转换矩阵将事件语义向量投影到公共事件嵌入空间，并通过对比学习训练，从而将事件语义知识自然注入主流QA流程。该转换矩阵使用问题与答案中事件之间的标注事件关系类型，借助事件感知问题向量进行微调。在事件语义关系推理(ESTER)数据集上的实验结果表明，相较于现有强基线，生成式与抽取式设定均取得显著提升，在多答案设定下词级F1分数提升超8.4%，精确匹配(EM)分数提升3.0%。定性分析揭示了TranCLR生成答案的高质量，证明了将事件知识注入QA模型学习的可行性。我们的代码与模型见https://github.com/LuJunru/TranCLR。
引用
@article{arxiv.2210.12902,
title = {Event-Centric Question Answering via Contrastive Learning and Invertible Event Transformation},
author = {Junru Lu and Xingwei Tan and Gabriele Pergola and Lin Gui and Yulan He},
journal= {arXiv preprint arXiv:2210.12902},
year = {2022}
}
备注
Findings of EMNLP 2022