利用开放信息抽取增强事件触发词检测的领域迁移鲁棒性
计算与语言
2024-02-02 v2 机器学习
摘要
事件检测是许多领域（如维基百科或新闻）中一项关键的信息抽取任务。该任务通常依赖于触发词检测（TD）——识别文本中唤起特定事件的词符跨度。尽管触发词的概念理想上应跨领域通用，但从高资源领域到低资源领域的TD领域迁移会导致显著的性能下降。我们通过使用基于规则的开放信息抽取（OIE）系统获得的主体-客体关系在不同领域间耦合触发词，来解决TD中的负迁移问题。我们证明，通过多任务训练注入的OIE关系可作为不同领域间触发词的中介，增强零样本与少样本TD领域迁移并减少性能下降，特别是在从高资源源领域（维基百科）迁移到较低资源目标领域（新闻）时。此外，我们将这种改进的迁移与目标领域上的掩码语言建模相结合，观察到TD迁移的进一步提升。最后，我们证明这些增益对OIE系统的选择具有鲁棒性。
引用
@article{arxiv.2305.14163,
title = {Leveraging Open Information Extraction for More Robust Domain Transfer of Event Trigger Detection},
author = {David Dukić and Kiril Gashteovski and Goran Glavaš and Jan Šnajder},
journal= {arXiv preprint arXiv:2305.14163},
year = {2024}
}
备注
Accepted at EACL 2024 Findings