DEGAP: Dual Event-Guided Adaptive Prefixes for Templated-Based Event Argument Extraction with Slot Querying

最近在事件论元提取（EAE）方面的进展包括在模型的训练和推断过程中加入有用的辅助信息，例如检索到的实例和事件模板。这些方法面临两个挑战：（1）检索结果可能不相关；（2）模板是独立开发的，没有考虑它们可能的关系。在这项工作中，我们提出了DEGAP来解决这些挑战，通过一个简单而有效的组件：双前缀，即可学习的提示向量，其中面向实例的前缀和面向模板的前缀被训练来学习不同事件实例和模板的信息。此外，我们提出了一个事件引导的自适应门控机制，可以自适应地利用不同事件之间可能的联系，从而捕获前缀中的相关信息。最后，这些事件引导的前缀为EAE模型提供相关信息作为线索，而无需检索。广泛的实验表明，我们的方法在四个数据集（ACE05、RAMS、WIKIEVENTS和MLEE）上实现了最新的最优性能。进一步的分析显示了不同组件的影响。

论文旨在解决事件论元提取中存在的两个挑战：检索结果可能不相关，模板是独立开发的，没有考虑它们之间的可能关系。

DEGAP是一种有效的组件，通过可学习的提示向量来解决这些挑战，其中针对实例的前缀和针对模板的前缀分别用于学习不同的事件实例和模板的信息。此外，提出了一种事件引导的自适应门控机制，可以自适应地利用不同事件之间的可能联系，从而捕获前缀中的相关信息。

DEGAP方法在四个数据集上取得了新的最佳性能，并进行了广泛的实验和分析，揭示了不同组件的影响。值得注意的是，DEGAP不需要检索，可以为EAE模型提供相关信息。

最近的相关研究包括使用预训练模型和注意力机制来提高事件论元提取的性能，如《A Pre-training based Sequence Labeling Model for Event Argument Extraction》和《Improving Event Detection and Classification with Multitask Learning》。