信息抽取
文章平均质量分 95
以事件抽取、关系抽取和命名实体识别为主,分享目前SOTA论文和代码
Trouble..
在读研究生
展开
-
【ACL 2023】Enhancing Document-level EAE with Contextual Clues and Role Relevance
与句子级推理相比,文档级事件论元抽取在长输入和跨句推理方面提出了新的挑战。a)非论元上下文线索信息;b) 论元角色之间的相关性。在本文中,我们提出了一个SCPRG(基于跨度触发词的上下文池化和潜在角色引导)模型,该模型包含两个新颖有效的模块来解决上述问题。基于跨度触发的上下文池化(STCP)基于预训练模型中特定论元-触发词对的上下文注意力权重,自适应地选择和聚合非论元线索词的信息。基于角色的潜在信息引导(RLIG)模块构建潜在角色表示,使其通过角色交互编码进行交互,以获取语义相关性,并将其合并为候选论点。原创 2024-02-01 12:19:55 · 1267 阅读 · 0 评论 -
【AAAI 2021】Document-Level RE with Adaptive Thresholding and Localized Context Pooling
与句子级关系提取相比,文档级关系提取提出了新的挑战。一个文档通常包含多个实体对,并且一个实体对在与多个可能关系相关联的文档中多次出现。在本文中,我们提出了两种新的技术,自适应阈值和局部上下文池化,来解决多标签和多实体问题。自适应阈值化用可学习的实体相关阈值代替了先前工作中用于多标签分类的全局阈值。本地化的上下文池化直接将注意力从预先训练的语言模型转移到定位有助于确定关系的相关上下文。原创 2024-01-29 08:53:50 · 1040 阅读 · 0 评论 -
【ACL 2023】A Novel Table-to-Graph Generation Approach for Document-Level Joint Entity and RE
文档级关系提取(DocRE)旨在提取文档中实体之间的关系,这对知识图构建等应用程序至关重要。现有的方法通常假设实体及其提及是预先识别的,这与现实世界中的应用程序不符。为了克服这一限制,我们提出了TAG,这是一种新的 table-to-graph 生成模型,用于在文档级别联合提取实体和关系。为了增强任务依赖性的学习,TAG在提及之间引入一个潜在图,不同类型的边指示不同的任务信息,并通过关系图卷积网络进一步传播。为了缓解错误传播问题,我们采用**分层聚集聚类算法在解码阶段反向传播任务信息**。原创 2024-01-18 09:01:35 · 1156 阅读 · 0 评论 -
【ACL 2023】 The Art of Prompting Event Detection based on Type Specific Prompts
我们比较了各种形式的提示来表示事件类型,并开发了一个统一的框架,将特定于事件类型的提示用于监督、少样本和零样本触发词事件检测。实验结果表明,定义明确且全面的事件类型提示可以显著提高事件检测性能,尤其是当标注数据稀缺(少样本事件检测)或不可用(零样本事件检测)时。通过利用事件类型的语义,我们的统一框架显示出比以前的最先进基线高达22.2%的F1分数增益。原创 2024-01-12 18:55:52 · 1206 阅读 · 0 评论 -
NAACL2021 AMR-IE: Abstract Meaning Representation Guided Graph Encoding and Decoding for Joint IE
我们提出了一种新的AMR引导框架,用于联合信息抽取,以在预先训练的AMR解析器的帮助下发现实体、关系和事件。该框架由两个新组件组成:1)基于AMR的语义图聚合器,让候选实体和事件触发词节点从AMR图中收集邻域信息,以便在相关知识元素之间传递消息;2) AMR引导图解码器,根据AMR中层次结构决定的顺序提取知识元素。在多个数据集上的实验表明,AMR图编码器和解码器提供了显著的增益,我们的方法在所有IE子任务上都达到了SOTA。原创 2023-01-14 15:09:08 · 1027 阅读 · 0 评论 -
GIT:基于异构图的交互模型与跟踪器的文档级事件抽取 论文解读
文档级事件提取旨在从整篇文章中识别事件信息。由于这项任务的两个挑战,现有的方法并不有效:a)目标事件论点分散在句子中;b)文档中事件之间的相关性对于建模来说是非常重要的。在本文中,我们提出了基于异构图交互模型(带有跟踪器)(Graph-basedInteraction Model with a Tracker,GIT)来解决上述两个挑战。对于第一个挑战,GIT构建了一个异构图形交互网络,以捕捉不同句子和实体提及之间的全局交互。第二,GIT引入跟踪器模块来跟踪提取的事件,从而捕获事件之间的相关性。原创 2022-11-20 22:46:54 · 1019 阅读 · 1 评论 -
TPLinker: Single-stage Joint Extraction of Entities and Relations Through Token Pair Linking 论文解读
近年来,从非结构化文本中提取实体和关系引起了越来越多的关注,但由于识别共享实体的重叠关系存在内在困难,因此仍然具有挑战性。先前的研究表明,联合学习可以显著提高性能。然而,它们通常涉及连续的相互关联的步骤,并存在暴露偏差的问题。在训练时,他们根据实际情况进行预测,而在推断时则必须从头开始提取。这种差异会导致误差累积。为了缓解这一问题,我们在本文中提出了一个单阶段联合提取模型,即TPLinker,它能够发现共享一个或两个实体的重叠关系,同时不受暴露偏差的影响。TPLinker将联合提取表述为。原创 2022-12-03 10:43:30 · 539 阅读 · 0 评论 -
MAVEN-ERE一个新的事件关系检测数据集
MAVEN-ERE一个新的事件关系检测数据集原创 2022-12-04 11:12:41 · 1753 阅读 · 1 评论 -
RAAT: Relation-Augmented Attention Transformer for Relation Modeling in Document-Level 论文解读
在文档级事件提取(DEE)任务中,事件论元总是分散在句子之间(跨句子问题),多个事件可能位于一个文档中(多事件问题)。在本文中,我们认为事件论元的关系信息对于解决上述两个问题具有重要意义,并提出了一个新的DEE框架,该框架可以对关系依赖进行建模,称为关系增强文档级事件提取(ReDEE)。更具体地说,这个框架的特点是一个新颖的、量身定制的transformer,称为关系增强注意transformer(RAAT)。RAAT可扩展以捕获多尺度和多量参数关系。原创 2022-11-16 16:28:28 · 1131 阅读 · 0 评论 -
PESE Event Structure Extraction using Pointer Network based Encoder-Decoder Architecture论文解读
PESE: Event Structure Extraction using Pointer Network based Encoder-Decoder Architecture 论文解读原创 2022-12-06 11:28:49 · 186 阅读 · 0 评论 -
Event Extraction by Answering (Almost) Natural Questions论文解读
事件抽取问题需要检测事件触发词并抽取其相应的论元。事件论元抽取中的现有工作通常严重依赖于作为预处理/并发步骤的实体识别,这导致了众所周知的错误传播问题。为了避免这个问题,我们引入了一个新的事件抽取范式,将其表述为以端到端方式抽取事件论元的问答(QA)任务。实证结果表明,我们的框架显著优于现有方法;此外,它还能够为在训练时(即在零样本学习设置中)看不到的角色抽取事件论元。事件提取是信息提取(IE)中一项长期研究且具有挑战性的任务。原创 2022-12-13 09:54:29 · 791 阅读 · 0 评论 -
OneIE:A Joint Neural Model for Information Extraction with Global Features论文解读
A Joint Neural Model for Information Extraction with Global Features论文解读,一种新型的联合实体、关系、事件抽取模型原创 2022-12-19 08:56:55 · 1816 阅读 · 0 评论 -
Document-Level Event Role Filler Extraction using Multi-Granularity Contextualized Encoding论文解读
在事件抽取领域中,很少有超越句子级的事件抽取方法。当识别的事件论元分布在多个句子中时就会存在问题。我们认为文档级事件抽取是一个很困难的任务,因为它需要一个更大的上下文视图来确定哪些文本跨度对应于事件论元填充符。我们首先研究了端到端神经序列模型(具有预训练的语言模型表示)在文档级角色填充提取中的表现,以及探究的上下文长度如何影响模型的性能。为了动态聚合在不同粒度级别(例如,句子和段落级别)学习的神经表示捕获的信息,我们提出了一种新的多粒度阅读器。我们在MUC-4事件抽取数据集。原创 2022-11-16 17:17:19 · 498 阅读 · 0 评论 -
PTPCG: Efficient Document-level Event Extraction via Pseudo-Trigger-aware Pruned Complete Graph论文解读
以前对文档级事件提取的大多数研究主要集中于以自回归的方式构建论元链,这取得了一定的成功,但在训练和推理方面效率都很低。与之前的研究相比,我们提出了一种快速、轻量级的模型,称为PTPCG。在我们的模型中,我们设计了一种新的事件论元组合策略,并通过剪枝完全图设计了一个非自回归解码算法,这些图是在自动选择的伪触发器的指导下构建的。与之前的系统相比,我们的系统以19.8%的参数和更低的资源消耗获得了竞争性的结果,训练只需3.8%的GPU小时,推理速度高达8.5倍。原创 2022-11-26 15:12:03 · 1378 阅读 · 0 评论 -
Retrieval-Augmented Generative Question Answering for Event Argument Extraction论元解读
长期以来,事件论元抽取一直被研究为基于抽取的方法的序列预测问题,孤立地处理每个论元。尽管最近的工作提出了基于生成的方法来捕获交叉论元依赖性,但它们需要生成和后处理复杂的目标序列(模板)。受这些观察和最近预训练的语言模型从演示中学习的能力的激励。我们提出了一种用于事件论元抽取的检索增强生成QA模型(R-GQA)。它检索最相似的QA对,并将其作为当前示例上下文的提示,然后将论元解码为答案。我们的方法在各种设置(即完全监督、领域转移和少样本学习)中大大优于现有方法。原创 2022-12-11 14:18:27 · 574 阅读 · 0 评论 -
DCFEE: A Document-level Chinese Financial Event Extraction System based on Automatically Labeled论文解读
DCFEE A Document-level Chinese Financial Event Extraction System based on Automatically Labeled论文解读原创 2022-11-26 21:31:04 · 575 阅读 · 0 评论 -
Efficient Zero-shot Event Extraction with Context-Definition Alignment论文解读
Efficient Zero-shot Event Extraction with Context-Definition Alignment论文解读,一种用于零样本事件抽取得模型,在少样本和完全监督环境下超过现有的全监督模型。本意是为零样本设计,效果却比全监督好。原创 2022-12-16 10:21:46 · 747 阅读 · 0 评论 -
Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event Extraction论文解读
大多数现有的事件抽取(EE)方法只提取句子范围内的事件论元。然而,此类句子级事件抽取方法难以处理来自新兴应用程序(如金融、立法、卫生等)的大量文件,其中事件论点总是分散在不同的句子中,甚至在同一个文档中经常同时出现多个此类事件。为了解决这些挑战,我们提出了一种新的端到端模型Doc2EDAG,它可以生成基于实体的有向无环图,以有效地实现文档级事件抽取(DEE)。此外,我们重新设计了一个无触发词的DEE任务,以简化文档级事件标记。原创 2022-11-21 11:49:56 · 904 阅读 · 0 评论 -
MEE: A Novel Multilingual Event Extraction Dataset 论文解读
MEE: A Novel Multilingual Event Extraction Dataset 论文解读,一种新型多语言的(8种)事件抽取数据集,旨在提升事件抽取在跨语言的的应用原创 2022-12-13 11:52:11 · 492 阅读 · 0 评论 -
FourIE:基于图卷积网络的跨任务实例表征交互和标签依赖的联合信息抽取模型
本文提出了一种新的深度学习模型,在一个模型中同时解决IE的四个任务(称为FourIE)。与之前联合执行四个IE任务的工作相比,FourIE有两个新颖的贡献来捕获任务之间的相互依赖关系。首先,在表示层,我们引入了四个任务实例之间的交互图,用于用其他任务的相关实例来丰富一个实例的预测表示。其次,在标签级别,我们为四个IE任务中的信息类型提出了一个依赖关系图,该图捕捉了输入句子中表达的类型之间的联系。引入了一种新的正则化机制来加强正确类型依赖图和预测类型依赖图之间的一致性,以提高表示学习。原创 2023-01-10 09:20:40 · 724 阅读 · 0 评论 -
【论文速递】NAACL2022- 文档级事件论元抽取的双流AMR增强模型
以往的研究大多致力于从单个句子中抽取事件,而文档级别的事件抽取仍未得到充分的研究。在本文中,我们专注于从整个文档中抽取事件论元,主要面临两个关键问题:1)触发词与语句论元之间的长距离依赖关系;B)文件中一个事件的分散在上下文中。为了解决这些问题,我们提出了一个TSAR。TSAR通过双流编码模块从不同角度对文档进行编码,以利用本地和全局信息,并降低分散在上下文的影响。此外,TSAR还引入了基于局部和全局构建的AMR语义图的AMR引导交互模块,以捕获句内和句间特征。引入一种辅助边界损失来显式增强文本跨度信息。原创 2023-02-07 13:44:14 · 878 阅读 · 0 评论 -
SimCSE: Simple Contrastive Learning of Sentence Embeddings论文解读
SimCSE Simple Contrastive Learning of Sentence Embeddings论文解读,该文章使用对比学习的方法,实现了最优的句子级嵌入,该对比学习仅仅在预训练的基础上使用标准的dropout构造正例原创 2022-12-26 15:49:17 · 847 阅读 · 0 评论 -
GraphIE:通过建模实例间和标签间依赖性联合抽取实体、关系和事件 论文解读
事件触发词检测、实体提及识别、事件论元抽取和关系抽取是信息抽取中的四个重要任务,它们被联合执行(联合信息抽取- JointIE),以避免错误传播并利用任务实例之间的依赖关系(即事件触发词、实体提及、关系和事件论元)。然而,以前的JointIE模型通常假设任务实例之间手工设计的启发式依赖关系和实例标签联合分布的平均场分解,因此无法捕获实例和标签之间的最佳依赖关系来提高表示学习和IE性能。为了克服这些限制,我们提出从数据中诱导任务实例之间的依赖关系图来促进表示学习。原创 2022-12-30 22:20:02 · 375 阅读 · 0 评论 -
RoFormer: Enhanced Transformer with Rotary Position Embedding论文解读
在本文中,我们首先研究了将位置信息集成到基于transformer的语言模型的学习过程中的各种方法。在此基础上,我们提出了一种新的旋转位置嵌入方法(RoPE)来有效地利用位置信息。具体而言,该方法使用旋转矩阵对绝对位置进行编码,同时在自注意公式中加入显式相对位置依赖。值得注意的是,RoPE支持有价值的属性,包括序列长度的灵活性、随着相对距离的增加而衰减的标记间依赖性,以及用相对位置编码来装备线性自注意的能力。原创 2023-02-13 08:51:07 · 1387 阅读 · 0 评论 -
DualCor: Event Causality Extraction with Event Argument Correlations论文解读
事件因果关系识别(ECI)是事件因果关系理解的重要任务,其目的是检测两个给定文本事件之间是否存在因果关系。然而,ECI任务忽略了关键的事件结构和因果关系组件信息,使其难以用于下游应用。在本文中,我们探索了一种新的任务,即事件因果关系提取(ECE),旨在从纯文本中提取因果事件对及其结构化事件信息。ECE任务更具挑战性,因为每个事件可以包含多个事件论元,在事件之间提出细粒度的相关性,以确定因果事件对。因此,我们提出了一种带有双网格标记方案(dual grid tagging scheme)原创 2023-02-24 14:02:14 · 875 阅读 · 0 评论 -
TSAR: A Two-Stream AMR-enhanced Model for Document-level Event Argument Extraction论文解读
从整个文档中抽取事件论元是具有挑战性的,因为触发词和论元之间的依赖关系很长,而且上下文会分散人的注意力。为了解决这些问题,我们提出了**T**wo-**S**tream **A**M**R**-enhanced extraction model (TSAR)。TSAR使用双流编码器从不同角度对文档进行编码,然后使用AMR引导的交互模块促进文档级语义交互。引入辅助边界损失来增强跨域的边界信息。在RAMS和WikiEvents数据集上的实验表明,TSAR比以前最先进的方法有很大的优势。原创 2023-02-07 14:50:35 · 636 阅读 · 0 评论 -
RCEE: Event Extraction as Machine Reading Comprehension 论文解读
事件提取(Event extraction, EE)是一项重要的信息提取任务,旨在提取文本中的事件信息。以前的EE方法通常将其建模为分类任务,这些任务需要大量数据,并且存在数据稀缺问题。在本文中,我们提出了一种新的EE学习范式,将其明确地转换为机器阅读理解问题(MRC)。我们的方法包括一个无监督的问题生成过程,它可以将事件模式转换为一组自然问题,然后是一个基于BERT的问题回答过程,以检索作为EE结果的答案。原创 2023-02-27 10:26:59 · 701 阅读 · 0 评论 -
DEGREE: A Data-Efficient Generation-Based Event Extraction Model论文解读
在本文中,我们关注低资源端到端事件抽取,并提出了DEGREE,这是一个数据高效模型,将事件抽取表述为一个条件生成问题。给定一篇文章和一个手动设计的提示,DEGREE学会将文章中提到的事件总结成一个遵循预定义模式的自然句子。然后用确定性算法从生成的句子中抽取出最终的事件预测。原创 2023-02-10 09:20:53 · 1111 阅读 · 0 评论 -
【论文速递】ACL 2021-CasEE: 一种用于重叠事件抽取的级联解码联合学习框架
事件抽取(Event extraction, EE)是一项重要的信息抽取任务,旨在抽取文本中的事件信息。现有方法大多假设事件出现在句子中没有重叠,这不适用于复杂的重叠事件抽取。本文系统地研究了现实事件重叠问题,即一个词可能作为多种类型的触发词或具有不同作用的论元。为了解决上述问题,我们提出了一种新的联合学习框架,该框架具有级联解码,用于重叠事件抽取,称为CasEE。具体而言,CasEE依次执行类型检测、触发词抽取和论元抽取,其中重叠的目标根据前者的特定预测分别抽取。原创 2023-02-17 12:28:11 · 450 阅读 · 0 评论 -
GTEE-DYNPREF: Dynamic Prefix-Tuning for Generative Template-based Event Extraction 论文解读
我们以基于模板的条件生成的生成方式考虑事件抽取。尽管将事件抽取任务转换为带有提示的序列生成问题的趋势正在上升,但这些基于生成的方法存在两个重大挑战,包括使用次优提示和静态事件类型信息。在本文中,我们提出了一种基于生成模板的动态前缀事件抽取方法(GTEE-DYNPREF),该方法通过集成上下文信息和特定类型的前缀来学习每个上下文的特定上下文前缀。实验结果表明,该模型在ACE 2005上与目前最先进的基于分类的ONEIE模型具有相当的性能,在ERE上表现最好。此外,我们的模型被证明可以有效地移植到新类型的事件。原创 2023-02-23 14:27:57 · 493 阅读 · 0 评论 -
DocEE:一种用于文档级事件抽取的大规模细粒度基准 论文解读
事件抽取旨在识别一个事件,然后抽取参与该事件的论元。尽管在句子级事件抽取方面取得了巨大的成功,但事件更自然地以文档的形式呈现,事件论元分散在多个句子中。然而,推动文档级事件抽取的一个主要障碍是缺乏大规模和实用的训练和评估数据集。在本文中,我们提出了DocEE,一个新的文档级事件抽取数据集,包括27,000多个事件,180,000多个论元。大规模手动标注、细粒度论元类型和面向应用程序的设置。实验表明,最先进的模型与人类之间仍然存在很大的差距(F1分数41% Vs 85%),说明DocEE是一个开放的问题。原创 2023-02-21 13:47:31 · 1161 阅读 · 0 评论 -
Document-Level event Extraction via human-like reading process 论文解读
论元分散和多事件。第一个挑战意味着一个事件记录的论元可能存在于文档中的不同句子中,而第二个挑战反映了一个文档可能同时包含多个这样的事件记录。本文以人类的阅读认知为动机,提出了一种HRE (Human reading inspired Extractor for Document Events)方法,将DEE分解为粗略阅读和精细阅读两个迭代阶段。具体来说,第一个阶段浏览文档以检测事件的发生,第二个阶段用于抽取特定的事件论元。原创 2023-02-22 14:00:08 · 516 阅读 · 0 评论 -
【论文速递】EMNLP 2020 - 将事件抽取作为机器阅读理解任务
事件抽取(Event extraction, EE)是一项重要的信息抽取任务,旨在抽取文本中的事件信息。以前的EE方法通常将其建模为分类任务,这些任务需要大量数据,并且存在数据稀缺问题。在本文中,我们提出了一种新的EE学习范式,将其明确地转换为机器阅读理解问题(MRC)。我们的方法包括一个无监督的问题生成过程,它可以将事件模式转换为一组自然问题,然后是一个基于BERT的问题回答过程,以检索作为EE结果的答案。原创 2023-02-27 10:37:23 · 651 阅读 · 0 评论 -
CLEVE:事件抽取的对比预训练
我们提出了CLEVE,一种面向事件的对比预训练框架,利用AMR结构构建自我监督信号。CLEVE由两个组件组成,包括学习事件语义的文本编码器和学习事件结构信息的图形编码器。具体而言,为了学习有效的事件语义表示,我们使用PLM作为文本编码器,并鼓励在AMR结构中由ARG、时间、位置边连接的词对的表示在语义空间中比其他不相关的词更接近,因为这些词对通常指的是相同事件的触发词论元对(如图1所示)(Huang et al, 2016)。这是通过对比学习来完成的,将连接的单词对作为积极样本,不相关的单词作为消极样本。原创 2023-02-20 14:26:15 · 868 阅读 · 0 评论 -
【论文速递】NAACL2022-DEGREE: 一种基于生成的数据高效事件抽取模型
事件抽取需要专家进行高质量的人工标注,这通常很昂贵。因此,学习一个仅用少数标记示例就能训练的数据高效事件抽取模型已成为一个至关重要的挑战。在本文中,我们关注低资源端到端事件抽取,并提出了DEGREE,这是一个数据高效模型,将事件抽取表述为一个条件生成问题。给定一篇文章和一个手动设计的提示,DEGREE学会将文章中提到的事件总结成一个遵循预定义模式的自然句子。然后用确定性算法从生成的句子中抽取出最终的事件预测。DEGREE有三个优势,训练数据少,学得好。原创 2023-02-10 09:24:16 · 864 阅读 · 0 评论 -
【论文速递】ACL 2021-CLEVE: 事件抽取的对比预训练
事件抽取(EE)通过微调从预训练的语言模型(PLMs)中受益匪浅。然而,现有的预训练方法没有涉及事件特征的建模,导致所开发的EE模型不能充分利用大规模无监督数据。为此,我们提出了CLEVE,一个用于EE的对比预训练框架,以更好地从自动解析器(例如AMR)去获得的大型无监督数据及其语义结构中学习事件知识。CLEVE分别包含一个学习事件语义的文本编码器和一个学习事件结构的图编码器。具体来说,文本编码器通过自监督对比学习来学习事件语义表示,使同一事件中的单词比不相关的单词表示得更近;原创 2023-02-20 20:11:59 · 535 阅读 · 0 评论 -
【论文速递】COLING 2022 - 带有事件论元相关性的事件因果关系抽取
事件因果关系识别(ECI)是事件因果关系理解的重要任务,其目的是检测两个给定文本事件之间是否存在因果关系。然而,ECI任务忽略了关键的事件结构和因果关系组件信息,使其难以用于下游应用。在本文中,我们探索了一种新的任务,即事件因果关系抽取(ECE),旨在从纯文本中抽取因果事件对及其结构化事件信息。ECE任务更具挑战性,因为每个事件可以包含多个事件论元,在事件之间提出细粒度的相关性,以确定因果事件对。因此,我们提出了一种带有双网格标记方案(dual grid tagging scheme)原创 2023-02-27 10:32:47 · 768 阅读 · 0 评论 -
CasEE: 一种用于重叠事件抽取的级联解码联合学习框架 论文解读
现有方法大多假设事件出现在句子中没有重叠,这不适用于复杂的重叠事件抽取。本文系统地研究了现实事件重叠问题,即一个词可能作为多种类型的触发词或具有不同作用的论元。为了解决上述问题,我们提出了一种新的联合学习框架,该框架具有级联解码,用于重叠事件抽取,称为CasEE。具体而言,CasEE依次执行类型检测、触发词抽取和论元抽取,其中重叠的目标根据前者的特定预测分别抽取。所有子任务都在一个框架中联合学习,以捕获子任务之间的依赖关系。原创 2023-02-17 12:15:33 · 1566 阅读 · 0 评论 -
【论文速递】ACL 2020 - 一种用于关系三元组抽取的级联二元标记框架
从非结构化文本中抽取关系三元组对于大规模知识图构建至关重要。然而,现有的工作很少能解决重叠三元组问题,即同一句子中的多个关系三元组共享相同的实体。在这项工作中,我们引入了一个新的视角来重新审视关系三重抽取任务,并提出了一种新的级联二元标记框架(CASREL),该框架源自一个原则性问题公式。我们的新框架将关系建模为将句子中的subject映射到object的函数,而不是像以前的作品那样将关系视为离散标签,这自然会处理重叠问题。原创 2023-03-15 15:54:10 · 319 阅读 · 0 评论 -
Global Constraints with Prompting for Zero-Shot Event Argument Classification 论文解读
确定事件论元的角色是事件抽取的关键子任务。大多数以前的监督模型都利用了昂贵的标注,这对于开放域应用程序是不实际的。在这项工作中,我们建议使用带有提示的全局约束来有效地处理事件论元分类,而不需要任何标注和特定于任务的训练。具体来说,给定一个事件及其相关段落,模型首先通过前缀提示(prefix prompts)和完形提示(cloze prompts)创建几个新段落,其中前缀提示指示事件类型和触发词范围,完形提示将每个候选角色与目标论元范围连接起来。然后,原创 2023-03-04 12:41:17 · 198 阅读 · 0 评论