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

这段摘要介绍了时间关系抽取（TRE）的研究方向，旨在抓住事件或行动的演变，进而塑造相关任务的工作流程，因此有望帮助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标注数据有限且分布不均的困境。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）来解决这些问题，其中包括提示调整和对比学习。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，充分考虑TRE的各种因素，以实现自动提示生成。此外，作者提出了时间事件推理作为一种补充，以增强模型对事件和时间线索的关注。实验结果表明，TemPrompt在标准和少样本设置下的大多数指标上均优于所有比较基线。作者提供了一个案例研究，以验证其在众包场景中的有效性。

本文试图解决的问题是如何通过多任务学习和自动提示生成来解决现有方法在时间关系提取中存在的数据有限和分布不均的问题，以应用于众包系统中。

本文提出了一个名为TemPrompt的多任务提示学习框架，结合提示调整和对比学习来解决数据有限和分布不均的问题。同时，提出了一种面向任务的提示构建方法来生成更有效的提示，并引入时间事件推理作为补充，以加强模型对事件和时间线索的关注。

本文的亮点包括：1. 提出了一个新的多任务提示学习框架TemPrompt，它能够在标准和少样本设置下优于所有比较基线；2. 引入了一种面向任务的提示构建方法，能够生成更有效的提示；3. 提出了时间事件推理作为补充，以加强模型对事件和时间线索的关注；4. 实验结果表明，TemPrompt在众包场景中具有良好的效果。本文使用了多个数据集进行实验，并提供了开源代码。

在时间关系提取领域的相关研究包括：1.《A Survey on Temporal Information Extraction》；2.《Joint Extraction of Entities and Temporal Relations from Clinical Records》；3.《End-to-End Neural Relation Extraction with Global Optimization》等。