TEPrompt：面向隐式篇章关系识别的任务启发式提示学习
计算与语言
2023-05-19 v1
摘要
隐式篇章关系识别（IDRR）旨在对两个论元之间无显式连接词的关系义进行分类。近期，ConnPrompt~\cite{Wei.X:et.al:2022:COLING} 基于来自三个不同却高度相似的连接词预测模板的多提示决策融合，利用强大的提示学习处理 IDRR。我们摒弃多提示集成，提出为 IDRR 任务设计带启发式提示学习的辅助任务。尽管辅助任务不直接输出最终预测，我们认为在联合训练过程中其学到的部分特征有助于提升主任务。基于此类动机，我们提出一种任务启发式提示学习模型，称为 TEPrompt，以融合来自三个相关任务的学习特征用于 IDRR。具体而言，TEPrompt 包含三个任务，即篇章关系识别（DRR）、义项语义分类（SSC）与标注连接词预测（ACP），各含独特的提示模板与答案空间。在训练阶段，我们以共享论元表示联合训练三个提示学习任务。在测试阶段，仅取融合特征后的 DRR 输出作为最终 IDRR 决策。相同条件下的实验表明，所提 TEPrompt 优于 ConnPrompt。这可归因于辅助任务联合训练所促进的决策特征及受益的语言模型。
引用
@article{arxiv.2305.10866,
title = {TEPrompt: Task Enlightenment Prompt Learning for Implicit Discourse Relation Recognition},
author = {Wei Xiang and Chao Liang and Bang Wang},
journal= {arXiv preprint arXiv:2305.10866},
year = {2023}
}