面向事件论元抽取的文本蕴含：基于多源学习的零样本与少样本方法
计算与语言
2022-05-04 v1
摘要
近期研究表明，关系抽取（RE）等 NLP 任务可利用述谓化改写为文本蕴含任务，并借助预训练蕴含模型在零样本和少样本设定下取得强劲性能。当前 RE 数据集中的关系易于述谓化，这令人怀疑蕴含在更复杂任务中是否同样有效。本工作中我们表明，蕴含在事件论元抽取（EAE）中同样有效：在 ACE 和 WikiEvents 中分别仅需 50% 和 20% 的人工标注量，即可达到全量训练下的同等性能。更重要的是，我们将 EAE 改写为蕴含任务缓解了对于模式（schema）的依赖，而这一依赖一直是跨领域标注迁移的障碍。得益于蕴含，ACE 与 WikiEvents 间的多源迁移进一步将标注量降至全量训练无迁移时的 10% 和 5%（分别对应）。我们的分析显示，良好结果的关键在于使用多个蕴含数据集来预训练蕴含模型。与先前方法类似，我们的方法所需人工述谓化工作量很小：每类事件论元仅需不到 15 分钟，且不同专业水平的用户均可取得相近结果。
引用
@article{arxiv.2205.01376,
title = {Textual Entailment for Event Argument Extraction: Zero- and Few-Shot with Multi-Source Learning},
author = {Oscar Sainz and Itziar Gonzalez-Dios and Oier Lopez de Lacalle and Bonan Min and Eneko Agirre},
journal= {arXiv preprint arXiv:2205.01376},
year = {2022}
}
备注
Accepted as Findings of NAACL2022