DemoSG: Demonstration-enhanced Schema-guided Generation for Low-resource Event Extraction

要約

現在のほとんどのイベント抽出 (EE) メソッドは、大量の注釈付きデータを必要とする高リソースのシナリオに焦点を当てており、低リソースのドメインにはほとんど適用できません。
限られたリソースでより効果的に EE に対処するために、私たちはデモンストレーション強化スキーマ誘導生成 (DemoSG) モデルを提案します。これは、低リソース EE ​​に 2 つの側面からメリットをもたらします。 まず、EE が完全に活用できるようにするためのデモンストレーションベースの学習パラダイムを提案します。
注釈付きデータをデモンストレーションに変換して、抽出プロセスを示し、モデルの効果的な学習を支援します。
次に、スキーマベースのプロンプトによってガイドされる自然言語生成タスクとして EE を定式化し、それによってラベル セマンティクスを活用し、リソースが少ないシナリオでの知識伝達を促進します。
私たちは 3 つのデータセットでドメイン内およびドメイン適応の低リソース設定の下で広範な実験を実施し、DemoSG の堅牢性を研究します。
結果は、DemoSG が低リソースのシナリオにおいて現在の方法よりも大幅に優れていることを示しています。

要約(オリジナル)

Most current Event Extraction (EE) methods focus on the high-resource scenario, which requires a large amount of annotated data and can hardly be applied to low-resource domains. To address EE more effectively with limited resources, we propose the Demonstration-enhanced Schema-guided Generation (DemoSG) model, which benefits low-resource EE from two aspects: Firstly, we propose the demonstration-based learning paradigm for EE to fully use the annotated data, which transforms them into demonstrations to illustrate the extraction process and help the model learn effectively. Secondly, we formulate EE as a natural language generation task guided by schema-based prompts, thereby leveraging label semantics and promoting knowledge transfer in low-resource scenarios. We conduct extensive experiments under in-domain and domain adaptation low-resource settings on three datasets, and study the robustness of DemoSG. The results show that DemoSG significantly outperforms current methods in low-resource scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google