当意识到事件共现时，EAE模型能否学的更好？（ACL2023）

Revisiting Event Argument Extraction: Can EAE Models Learn Better When Being Aware of Event Co-occurrences?

一、写作动机：

事件共现在先前的研究中被认为对事件抽取（EE）是非常有帮助的，但是还没有研究将事件共现用于事件论元抽取（EAE），但事实上，如下图所示，事件共现总是存在于文本中，它们在揭示事件关联和对比不同事件的语义结构方面是有用的。作者想要填补这一部分的空白。

二、概况：

为了解决EE和EAE之间的分歧，作者将基于SOTA提示的EAE模型PAIE扩展为一个文本到表格的框架TabEAE，能够同时抽取多个事件的论元。同时，作者也验证了事件共现对于EAE的重要性。

三、问题定义：

其中x是文本（句子或者文档），N是目标事件数目，Ti是第i个事件的触发器，ei是第i个事件的类型，Rei是和事件类型ei相关联的论元角色集合，Ai是第i个事件的论元集合，每个a(r)∈Ai是x中表示角色r的文本跨度。

这一公式在同一上下文中出现的所有事件，提供了对问题更加全面的看法。

四、解决问题——模型框架

作者提出了模型——TabEAE用来对事件论元进行提取，该模型源于基于SOTA提示的EAE模型PAIE。下图是TabEAE的主要框架。具体的模型架构解析大家可以阅读一位大佬写的：ACL 2023 Revisiting Event Argument Extraction - 知乎 (zhihu.com)

五、训练-推理方案

作者探索了三种训练-推理方案：

(1)Single-Single：提取单个事件并进行推理;

(2)Multi-Multi:同时提取所有事件并进行推理;

(3)Multi-Single:同时提取所有事件并让模型在推理过程中同时提取单个事件。

六、实验结果：

TabEAE（Single-Single）在四个基准测试集上与先前的SOTA模型（TSAR、DEGREE和PAIE）相当竞争。与此同时，TabEAE（Multi-Single）在ACE05上的Arg-I F1和Arg-C F1分别超过了SOTA模型0.6和1.1，在RAMS上超过了0.2和0.4，在WikiEvents上超过了0.3和0.7。至于MLEE数据集，TabEAE（Multi-Multi）的性能优于TabEAE（Multi-Single），与SOTA模型相比，Arg-I F1提高了2.5，Arg-C F1提高了2.7。