面向基于问答的事件抽取的更好问题生成
计算与语言
2024-07-10 v2 人工智能
摘要
事件抽取（Event Extraction, EE）是从非结构化文本中抽取事件相关信息的关键信息抽取任务，其范式已从传统的基于分类的方法转向更为现代的基于问答（Question-Answering, QA）的方法。然而，在基于QA的事件抽取中，问题的质量显著影响抽取精度，如何生成高质量的问题以满足基于QA的事件抽取需求仍是一挑战。本文为此提出四个问题质量评估标准，并提出一种强化学习方法RLQG，用于为基于QA的事件抽取生成通用性、高质量且与上下文相关的 questions，并为QA模型提供明确的指导。在ACE和RAMS数据集上进行的大量实验强有力地验证了我们方法的有效性，同时也展示了其在训练数据有限的场景下的鲁棒性。本文还公开了RLQG的代码，以供进一步研究使用。
引用
@article{arxiv.2405.10516,
title = {Language Models can Evaluate Themselves via Probability Discrepancy},
author = {Tingyu Xia and Bowen Yu and Yuan Wu and Yi Chang and Chang Zhou},
journal= {arXiv preprint arXiv:2405.10516},
year = {2024}
}
备注
ACL 2024 Findings