面向事件论元抽取的检索增强生成式问答
计算与语言
2022-11-15 v1
摘要
事件论元抽取长期作为具有基于抽取方法的序列预测问题被研究，孤立地处理每个论元。尽管近期工作提出基于生成的方法以捕捉跨论元依赖，它们需要生成并后处理复杂的目标序列（模板）。受这些观察及近期预训练语言模型从示范中学习的能力的启发，我们提出一种检索增强生成式问答模型（R-GQA）用于事件论元抽取。它检索最相似的问答对并作为提示增强到当前例子的语境中，随后将论元解码为答案。我们的方法在各种设定下（即全监督、域迁移与少样本学习）大幅优于先前方法。最后，我们提出一种基于聚类的采样策略（JointEnc）并深入分析了不同策略如何影响少样本学习性能。实现代码见 https://github.com/xinyadu/RGQA
引用
@article{arxiv.2211.07067,
title = {Retrieval-Augmented Generative Question Answering for Event Argument Extraction},
author = {Xinya Du and Heng Ji},
journal= {arXiv preprint arXiv:2211.07067},
year = {2022}
}
备注
Accepted by EMNLP 2022 (18 pages)