基于提示全局约束的零样本事件论元分类
计算与语言
2023-02-10 v1
摘要
确定事件论元的角色是事件抽取的关键子任务。以往大多数有监督模型依赖昂贵的标注，这对于开放域应用并不实用。在本工作中，我们提出使用带提示的全局约束，在无需任何标注和任务特定训练的情况下有效解决事件论元分类问题。具体而言，给定一个事件及其相关文本段，模型首先通过前缀提示和完形填空提示创建若干新文本段，其中前缀提示指明事件类型和触发词跨度，完形填空提示将每个候选角色与目标论元跨度相连。随后，预训练语言模型对新文本段打分，得出初始预测。我们新颖的提示模板可轻松适配所有事件和论元类型而无需人工干预。接下来，模型利用跨任务、跨论元和跨事件关系的全局约束对预测进行正则化。大量实验证明了我们模型的有效性：在给定论元跨度时，其在 ACE 和 ERE 上以 12.5% 和 10.9% 的 F1 优于最佳零样本基线；在未给定论元跨度时，分别以 4.3% 和 3.3% 的 F1 优于基线。我们已公开代码。
引用
@article{arxiv.2302.04459,
title = {Global Constraints with Prompting for Zero-Shot Event Argument Classification},
author = {Zizheng Lin and Hongming Zhang and Yangqiu Song},
journal= {arXiv preprint arXiv:2302.04459},
year = {2023}
}
备注
Accepted by EACL 2023 (Findings)