文章目录
1 简介
论文题目:Prompt for Extraction? PAIE: Prompting Argument Interaction for Event Argument Extraction
论文来源:ACL 2022
组织机构:南洋理工大学
论文链接:https://aclanthology.org/2022.acl-long.466.pdf
代码链接:https://github.com/mayubo2333/PAIE
1.1 动机
- 在事件论元抽取任务中,先识别出候选span,再进行分类,存在错误传播问题。
- 基于问答的方法只能一对一的预测,基于生成的方法顺序预测会降低长距离和更多论元的性能。
1.2 创新
- 研究了抽取任务的prompt tuning,以及用于最佳sapn分配的联合选择方案,在句子级、文档集、few-shot情况下模型是有效和高效率的。
2 方法
模型的整体框架如上图,主要包括prompt创建、span选择器解码和span预测三个部分。
2.1 Prompt Creation for EAE
为每个事件类型e创建prompt,包含该事件类型的全部角色,同时允许相同的角色有多个slot(数量为训练集该事件类型的最大重复角色数量)。创建prompt有三种方式(示例如下图):
- Manual Template: 人工构造模板,将角色联系起来。
- Soft Prompt: 使用可学习、特点角色的token,将角色联系起来。
- Concatenation Template: 直接将角色拼接起来。
2.2 Role-specific Selector Generation
给定上下文和prompt,该模块生成具体角色的span选择器,使用BATR作为编码器和解码器,首先将上下文中的触发词使用<t>触发词进行分割(公式1),将上下文进行编码,上下文和prompt分别进行解码(公式2),对于第k个slot,进行平均池化得到角色特征 ψ k \psi_k ψk,最后得到具体角色的spn选择器(公式3):
![]() |
![]() |
![]() |
2.3 Learning with Prompted Span Selector
给定上下文和span选择器集合,抽取出对应的论元span(无论元表示为(0,0)),首先计算token被选为开始和结束的分布(公式1),然后进行softmax(公式2),loss为交叉熵(公式3)。由于一个角色可能存在多个论元,是一个二分图匹配问题,使用Hungarian算法,得到全局最优的匹配。
![]() |
![]() |
![]() |
在推理时,设置span长度阈值为l,计算长度小于l和(0,0)的最大分数(公式1),然后取最大值(公式2)。
![]() |
![]() |
3 实验
实验的数据集为ACE 2005、RAMS、WIKIEVENTS,实验结果如下图:
消融实验:
不同预训练模型的效果如下(PAIEE不将上下文和prompt分开编码和解码):
不同生成prompt方式的效果如下:
距离触发词不同距离的论元的实验结果如下:
先前方法中不同论元数目的阈值对实验效果的影响:
相同角色的论元数目的实验结果如下:
Few-shot下的实验结果:
推理速度: