重访事件论元抽取：EAE 模型在感知事件共现时能否学得更好？
计算与语言
2023-06-02 v1 人工智能
摘要
事件共现已在先前研究中被证明对事件抽取 (EE) 有效，但近期未被考虑用于事件论元抽取 (EAE)。本文中，我们试图填补 EE 研究与 EAE 研究之间的这一空白，并提出问题：“当感知到事件共现时，EAE 模型能否学得更好？”。为回答该问题，我们将 EAE 重新表述为表生成问题，并将一个 SOTA 基于提示的 EAE 模型扩展为非自回归生成框架，称为 TabEAE，其能够并行抽取多个事件的论元。在该框架下，我们在 4 个数据集（ACE05、RAMS、WikiEvents 和 MLEE）上以 3 种不同的训练-推理方案进行实验，发现通过训练模型并行抽取所有事件，它能更好地区分每个事件的语义边界，且其抽取单一事件的能力得到显著提升。实验结果表明，我们的方法在 4 个数据集上取得了新的最先进性能。我们的代码见于 https://github.com/Stardust-hyx/TabEAE。
引用
@article{arxiv.2306.00502,
title = {Revisiting Event Argument Extraction: Can EAE Models Learn Better When Being Aware of Event Co-occurrences?},
author = {Yuxin He and Jingyue Hu and Buzhou Tang},
journal= {arXiv preprint arXiv:2306.00502},
year = {2023}
}
备注
Accepted to ACL 2023 main conference