基于错排机器阅读理解的无触发词事件检测

事件检测（ED）旨在从文本中检测事件并对其进行分类，对理解现实生活中的实际发生至关重要。然而，主流事件检测模型需要高质量的专家触发词标注，这通常代价高昂，从而阻碍了 ED 在新领域的应用。因此，本文关注无触发词的低资源 ED，旨在应对以下严峻挑战：多标签分类、线索不足以及事件分布不平衡。我们提出了一种新颖的基于错排机制的无触发词 ED 方法，构建于机器阅读理解（DRC）框架之上。更具体地，我们将输入文本视为上下文，并将其与所有被视为答案的事件类型词元以省略的默认问题相拼接。由此可利用预训练语言模型中的自注意力吸收输入文本与事件类型间的语义关系。此外，我们设计了一个简单而有效的事件错排模块（EDM），以防止主要事件被过度学习，从而产生更均衡的训练过程。实验结果表明，我们提出的无触发词 ED 模型与主流基于触发词的模型极具竞争力，显示了其在低资源事件检测上的强劲性能。