反思一致性：结合智能体自混合与序列标注器实现鲁棒事件抽取
计算与语言
2025-08-28 v1 人工智能
摘要
事件抽取 涉及从非结构化文本中自动识别并提取关于事件的结构化信息，包括触发词、事件类型和论元。传统的判别式模型表现出高精确率，但往往召回率有限，特别是在处理细微或罕见事件时。相反，利用大型语言模型 的生成式方法提供了更高的语义灵活性和召回率，但存在幻觉和预测不一致的问题。为了应对这些挑战，我们提出了基于一致性的反思推理系统 (ARIS)，这是一种将智能体自混合与判别式序列标注器相结合的混合方法。ARIS 明确利用结构化模型共识、基于置信度的过滤以及 LLM 反思推理模块，以可靠地解决歧义并提升整体事件预测质量。我们进一步研究了分解指令微调以增强 LLM 对事件抽取的理解。实验表明，我们的方法在三个基准数据集上优于现有最先进的事件抽取方法。
引用
@article{arxiv.2508.19359,
title = {Reflective Agreement: Combining Self-Mixture of Agents with a Sequence Tagger for Robust Event Extraction},
author = {Fatemeh Haji and Mazal Bethany and Cho-Yu Jason Chiang and Anthony Rios and Peyman Najafirad},
journal= {arXiv preprint arXiv:2508.19359},
year = {2025}
}