Towards Better Question Generation in QA-Based Event Extraction

事件抽取（EE）是一项重要的信息抽取任务，旨在从非结构化文本中提取与事件相关的信息。这项任务的范式已经从传统的基于分类的方法转向更为现代的基于问答（QA）的方法。然而，在基于QA的EE中，问题的质量极大地影响了提取的准确性，如何为基于QA的EE生成高质量的问题仍然是一个挑战。在这项工作中，为了解决这个挑战，我们提出了四个标准来评估问题的质量，并提出了一种基于强化学习的QA-Based EE方法，可以生成流畅、可推广和上下文相关的问题，并为QA模型提供清晰的指导。在ACE和RAMS数据集上进行的广泛实验已经强烈验证了我们方法的有效性，也证明了它在训练数据有限的情况下的稳健性。

论文旨在解决基于问答的事件抽取中，如何生成高质量问题以提高抽取准确性的问题。这是一个新问题。

论文提出了四个评估问题质量的标准，并提出了一种基于强化学习的方法来生成流畅、具有泛化性和上下文相关的问题，从而提供清晰的指导给问答模型。

论文的实验在ACE和RAMS数据集上进行，证明了该方法的有效性和鲁棒性，尤其是在训练数据有限的情况下。此外，论文提供了开源代码。

最近的相关研究包括：《A Survey on Event Extraction from Text》、《Event Extraction and Representation: A Review》等。