论文笔记 NAACL 2022|DEGREE: A Data-Efficient Generation-Based Event Extraction Model

1 简介

论文题目：DEGREE: A Data-Efficient Generation-Based Event Extraction Model
论文来源：NAACL 2022
组织机构：南加利福尼亚大学
论文链接：https://arxiv.org/pdf/2108.12724.pdf
代码链接：https://github.com/PlusLabNLP/DEGREE

1.1 动机

• 高质量的事件标注是昂贵的，仅使用少量标注的数据训练高效的事件抽取模型是一项重要的挑战。

1.2 创新

• 提出一种基于生成的事件提取模型，通过更好地结合标签语义和子任务之间的共享知识，可以用更少的数据学习。

2 方法

模型的整体框架如上图，通过对passage和prompt进行enocder和decoder，从输出中得到事件信息，prompt包括三部分：

• Event type de nition：对给定事件类型进行解释。
• Event keywords：与给定事件类型语义相关的三个词，从注释指南中收集在例句中作为触发器出现的三个单词。
• E2E template：该模板定义输出的格式，包括两个部分，事件检测为“Event trigger is <Trigger>”，第二部分对应论元抽取，该模板与第一部分的事件类型相关，如上图所示，使用“some-”开头的不定代词作为占位符，对应一个论元角色。如下表：
  

如果相同角色存在多个论元，则用"and"连接，如果存在多个触发词，则输出多个E2E template。推理时枚举全部的事件类型，每个事件类型生成一个输出，如果预测的string在文本中出现多次，匹配最靠近触发词的论元。

为了进行消融实验，将上述的模型DEGREE改成了pipline的方式，分别解决事件检测和论元抽取。
事件检测的prompt的设计如下：

• Event type de nition：与DEGREE相同。
• Event keywords：与DEGREE相同。
• ED template：该模板为DEGREE模板的第一部分，为“Event trigger is<Trigger>”

论元抽取的prompt的设计如下：

• Event type de nition：与DEGREE相同。
• Query trigger：指出该事件类型的触发词，如“The event trigger word is detonated”中的触发词detonated。
• EAE template：该模板为DEGREE模板的第二部分。

3 实验

实验数据集为ACE 2005和ERE，低资源环境下的实验结果如下图：


高资源环境下的实验结果如下图：

高资源环境下论元抽取的实验效果如下图：

消融实验：


不同模板设计对实验结果的影响：