IDIAPers @ Causal News Corpus 2022：基于提示的少样本方法实现高效因果关系识别
计算与语言
2024-04-18 v2 人工智能
机器学习
摘要
本文描述了我们参与CASE-2022子任务1（基于Causal News Corpus的事件因果识别）的情况。我们通过利用一组简单而互补的技术，在少量标注样本（即少样本配置）上微调语言模型（LMs），来处理因果关系识别（CRI）任务。我们遵循一种基于提示的预测方法以微调LMs，其中CRI任务被当作掩码语言建模问题（MLM）。该方法允许原生在MLM问题上预训练的LMs直接生成针对CRI特定提示的文本响应。我们将此方法性能与在整个数据集上训练的集成技术进行比较。我们表现最佳的提交仅以每类256个实例（占全部可用数据的15.7%）微调，却取得了第二佳精确率（0.82）、第三佳准确率（0.82），以及非常接近冠军团队所报（0.86）的F1分数（0.85）。
引用
@article{arxiv.2209.03895,
title = {IDIAPers @ Causal News Corpus 2022: Efficient Causal Relation Identification Through a Prompt-based Few-shot Approach},
author = {Sergio Burdisso and Juan Zuluaga-Gomez and Esau Villatoro-Tello and Martin Fajcik and Muskaan Singh and Pavel Smrz and Petr Motlicek},
journal= {arXiv preprint arXiv:2209.03895},
year = {2024}
}
备注
To be published in CASE@EMNLP 2022 (5th Workshop on Challenges and Applications of Automated Extraction of Socio-political Events from Text)