论文题目：

Learning to Ask for Data-Efficient Event Argument Extraction

本文作者：叶宏彬（浙江大学），张宁豫（浙江大学），毕祯（浙江大学），邓淑敏（浙江大学），谭传奇（阿里巴巴），陈辉（阿里巴巴），黄非（阿里巴巴），陈华钧（浙江大学）

接收会议：AAAI 2022 SA

论文链接：

https://arxiv.org/abs/2110.00479

事件参数抽取(EAE)是信息抽取时发现特定事件角色参数的重要任务。在本研究中，我们将EAE转换为一个基于问题的完形填空任务，并对固定离散标记模板性能进行实证分析。由于生成人工注释的问题模板通常是耗时且耗费劳动，我们进一步提出了一种名为“Learning to Ask”的新方法，该方法可以在无需人工注释的情况下学习EAE的优化问题模板。我们使用ACE-2005数据集进行实验，结果表明我们基于优化提问的方法在fewshot和全监督设定中都取得了最先进的性能。

如图1所示，我们将一个问题与输入的句子连接起来，并利用[MASK]来指示后续预测的事件类型。从而事件参数提取作为一种基于问题模板的完形填空任务，以掩码语言建模的方式进行。在第二个优化模板的例子中，我们使用伪问题令牌来搜索最可能的事件参数角色类型。

内容中包含的图片若涉及版权问题，请及时与我们联系删除