1 简介
论文题目:Multilingual Generative Language Models for Zero-Shot Cross-Lingual Event Argument Extraction
论文来源:ACL 2022
组织机构:加利福尼亚大学
论文链接:https://aclanthology.org/2022.acl-long.317.pdf
代码链接:https:/github.com/PlusLabNLP/X-Gear
1.1 动机
- 目前基于生成的事件论元抽取方法中的模板依赖于语言,不能扩展到zero-shot跨语言迁移情景中。
- 在zero-shot跨语言迁移事件论元抽取任务中,训练和测试时语言存在变化。
- 在zero-shot跨语言迁移事件论元抽取任务中,生成的输出需要简单地解析到最终的预测。
1.2 创新
- 提出了一个语言无关的模板,同时使用copy机制更好地适应输入语言的变化,以prompt的方式完成zero-shot跨语言迁移事件论元抽取。
2 方法
模型的整体框架如上图,为每个事件类型设计语言无关的模板,对于每个事件类型,以html的格式枚举全部可能的角色,如下图(其中([None],<Agent>, </Agent>, <Victim>)向量模型未见过,从零开始学习),模型的输入为文本和prompt(不包含事件类型)
模型的输出为替换上图模板中的[None],如果一个角色存在多个论元,则使用[and]连接(如下图),如果该角色不存在论元,使用[None]表示
输出的概率分布如下式:
由于大部分token出现在输入中,使用copy机制(公式1),loss为公式2:
|
|
3 实验
实验数据集为ACE 2005和ERE,实验中不适用ground truth实体,实验结果如下图:
消融实验(copy机制的影响):
消融实验(prompt添加事件类型的影响):
消融实验(prompt中角色顺序的影响):
消融实验(prompt中使用英文token的影响):
错误分析:
约束解码对实验结果的影响: