Key points are not available for this paper at this time.
Les méthodes génératives avancent significativement l'extraction d'arguments d'événements en générant de manière probabiliste des séquences d'arguments d'événements dans un format structuré. Cependant, les approches existantes s'appuient principalement sur une seule invite pour générer des arguments d'événements dans un ordre fixe et prédéterminé. Une telle approche rigide néglige les interdépendances structurelles et dynamiques complexes entre les arguments d'événements. Dans ce travail, nous présentons GEMS, un cadre d'apprentissage à multiples invites qui génère des arguments d'événements via des invites multi-perspectives et une orientation ontologique. Plus spécifiquement, GEMS utilise plusieurs invites non remplies pour chaque phrase, prédisant des arguments d'événements dans des séquences variées pour capturer explicitement les interrelations entre les arguments. Ces prédictions sont ensuite agrégées à l'aide d'un mécanisme de vote. De plus, un mécanisme d'orientation basé sur l'ontologie est proposé pour garantir que les arguments générés sont contextuellement appropriés et cohérents avec les connaissances spécifiques à l'événement. Des expériences extensives sur deux ensembles de données de référence démontrent que GEMS atteint des performances à la pointe de la technologie, en particulier dans des conditions de faible ressource.
Lin et al. (Mercredi,) ont étudié cette question.