Ereignisbezogene Argumentextraktion auf Dokumentenebene durch bedingte Generierung

Die Ereignisextraktion wurde in der IE-Community lange als Satzebene-Aufgabe behandelt. Wir argumentieren, dass dieses Setting nicht dem menschlichen Informationssuchverhalten entspricht und zu unvollständigen und wenig informativen Extraktionsergebnissen führt. Wir schlagen ein dokumentenbasiertes neuronales Modell zur Ereignisargumentextraktion vor, indem wir die Aufgabe als bedingte Generierung gemäß Ereignisvorlagen formulieren. Zudem stellen wir ein neues Benchmark-Datensatz zur Ereignisextraktion auf Dokumentenebene, WIKIEVENTS, zusammen, das vollständige Ereignis- und Koinzidenzanmerkungen umfasst. Bei der Argumentextraktion erzielen wir einen absoluten Gewinn von 7,6 % F1 und 5,7 % F1 gegenüber dem nächstbesten Modell auf den Datensätzen RAMS und WIKIEVENTS. Bei der herausfordernderen Aufgabe der informativen Argumentextraktion, die implizite Koinzidenzschlüsse erfordert, erreichen wir einen Gewinn von 9,3 % F1 gegenüber der besten Basislinie. Um die Tragfähigkeit unseres Modells zu demonstrieren, schaffen wir auch das erste End-to-End-Zero-Shot-Ereignisextraktions-Framework und erreichen 97 % der Auslöserextraktionsleistung des vollständig überwachten Modells und 82 % der Argumentextraktionsleistung, wobei nur der Zugriff auf 10 von 33 Typen auf ACE gewährt wird. 1 Staatsanwälte behaupten, er habe den Truck zum Geary Lake in Kansas gefahren, dass 4.000 Pfund Ammoniumnitrat, das mit Nitromethan versetzt war, dort in den Truck geladen wurden und dass er nach Oklahoma City gefahren und dort gesprengt wurde.