TemPrompt: Multi-Task Prompt Learning for Temporal Relation Extraction in RAG-based Crowdsourcing Systems

这段摘要讲述了时间关系抽取（TRE）的重要性，它旨在抓住事件或行动的演变过程，从而塑造相关任务的工作流程，因此有助于理解众包系统中请求者发起的任务请求。然而，现有方法仍然面临着有限和分布不均匀的标注数据的问题。因此，受预训练语言模型（PLMs）中丰富的全局知识启发，作者提出了一个多任务提示学习框架（TemPrompt），结合提示调整和对比学习来解决这些问题。为了引出更有效的PLMs提示，作者引入了一种面向任务的提示构建方法，全面考虑TRE的各种因素，以进行自动提示生成。此外，作者提出了时间事件推理作为模型对事件和时间线索的补充。实验结果表明，在标准和少样本设置下，TemPrompt在大多数指标上均优于所有比较基线。作者还提供了一个案例研究，以验证其在众包场景中的有效性。

本文旨在解决时序关系抽取（TRE）领域中数据有限和分布不均的问题，提出了一种基于预训练语言模型的多任务提示学习框架（TemPrompt），并探讨其在众包场景下的应用。

TemPrompt框架采用了多任务提示学习、提示微调和对比学习等方法，结合任务导向的提示构建方法和时序事件推理技术，提高了模型的效果。

本文实验结果表明，TemPrompt在标准和少样本设置下均优于其他基线模型，具有较强的泛化能力。此外，本文提出的任务导向的提示构建方法可以为其他NLP任务提供启示。

近年来，TRE领域的相关研究包括《Neural Temporal Relation Extraction》、《A Joint Model for Temporal Reasoning and Event Extraction》等。