Explorer les modèles de langage pré-entraînés pour l'extraction et la génération d'événements

Les approches traditionnelles pour la tâche d'extraction d'événements ACE dépendent généralement de données annotées manuellement, qui sont souvent laborieuses à créer et limitées en taille. Par conséquent, en plus de la difficulté d'extraction des événements elle-même, une quantité insuffisante de données d'entraînement entrave également le processus d'apprentissage. Pour promouvoir l'extraction d'événements, nous proposons d'abord un modèle d'extraction d'événements pour surmonter le problème de chevauchement des rôles en séparant la prédiction des arguments en termes de rôles. De plus, pour aborder le problème de l'insuffisance des données d'entraînement, nous proposons une méthode pour générer automatiquement des données étiquetées en modifiant des prototypes et en filtrant les échantillons générés en classant la qualité. Les expérimentations sur le jeu de données ACE2005 montrent que notre modèle d'extraction peut surpasser la plupart des méthodes d'extraction existantes. En outre, l'incorporation de notre méthode de génération présente une amélioration significative supplémentaire. Elle obtient de nouveaux résultats à la pointe de la technologie pour la tâche d'extraction d'événements, y compris le relèvement du score F1 de la classification des déclencheurs à 81,1 % et un score F1 de la classification des arguments à 58,9 %.