ULTRA：通过分层建模与成对自精炼释放 LLM 在事件论元抽取中的潜力
计算与语言
2025-03-21 v2
摘要
话语中事件的结构化抽取至关重要，因为它有助于更深入地理解交流模式和行为趋势。事件论元抽取（EAE）作为以事件为中心理解的核心，是为给定事件识别特定角色文本片段（即论元）的任务。文档级 EAE（DocEAE）关注散布在整个文档中的论元。在这项工作中，我们探索了用于 DocEAE 的开源大语言模型，并提出了 ULTRA，这是一个能更具成本效益地抽取事件论元的分层框架。此外，它缓解了 LLM 固有的位置偏差问题。ULTRA 顺序读取文档的文本块以生成候选论元集，并通过自精炼剔除不相关的候选者。我们引入了 LEAFER 来解决 LLM 在定位论元精确边界时面临的挑战。在 Exact Match (EM) 评估下，ULTRA 优于包括强监督模型和 ChatGPT 在内的强基线 9.8%。
引用
@article{arxiv.2401.13218,
title = {ULTRA: Unleash LLMs' Potential for Event Argument Extraction through Hierarchical Modeling and Pair-wise Self-Refinement},
author = {Xinliang Frederick Zhang and Carter Blum and Temma Choji and Shalin Shah and Alakananda Vempala},
journal= {arXiv preprint arXiv:2401.13218},
year = {2025}
}
备注
ACL'24 Findings