论文笔记 NAACL 2022|Textual Entailment for Event Argument Extraction: Zero- and Few-Shot with Multi-Sour

1 简介

论文题目：Textual Entailment for Event Argument Extraction: Zero- and Few-Shot with Multi-Source Learning
论文来源：NAACL 2022
组织机构：University of the Basque Country UPV/EHU
论文链接：https://aclanthology.org/2022.findings-naacl.187.pdf
代码链接：https://github.com/osainz59/Ask2Transformers

1.1 动机

• 目前信息抽取存在数据稀缺问题，信息抽取任务的标注依赖每个领域的模式，迁移学习需要人工的映射不同模式的标签。

1.2 创新

• 以文本蕴涵的方式解决事件论元抽取问题，使用文本蕴涵数据、关系抽取数据、其他事件抽取数据(如下图)提升事件论元抽取任务不同场景下(zero-shot、few-shot和全数据)的性能。
  

2 方法

整体框架如上图，包括下面几个部分：

1. Label verbalization：人工根据数据集的指引创建模板(如上图，根据具体的模板格式，包括上下文、触发词、候选论元)。
2. Entailment model：模型为文本蕴涵模型，训练时，将事件论元抽取数据集转换为自然语言推理格式，启发式地生成蕴含、中立、矛盾的假设，对于正例(候选论元是论元)，使用相应标签的模板创建$N_E$个蕴涵假设，使用不同角色的模板创建$N_N$个中立假设，对于负例(候选论元不是论元)，使用随机的模板创建$N_C$个矛盾假设(为了得到有难度的负例使用constrained sampling)；测试时大于阈值的类型为预测的类型。

3 实验

实验数据集为ACE和WikiEvents，主要关注句子级抽取，使用gold事件触发词和实体注释，实验结果入下图：

多资源情况下的实验结果：


消融实验：

不同模板开发人员对实验结果的影响：


创建模板和标注数据需要的时间对实验结果的影响：