Event Temporal Relation Extraction based on Retrieval-Augmented on LLMs

要約

イベント時間関係 (TempRel) は、イベント関係抽出タスクの主な主題です。
ただし、TempRel の固有のあいまいさにより、タスクの難易度が高くなります。
プロンプト エンジニアリングの台頭により、関連する知識を抽出するための効果的なプロンプト テンプレートと言語化ツールを設計することが重要です。
従来の手動で設計されたテンプレートでは、正確な時間的知識を抽出するのが困難です。
このペーパーでは、大規模言語モデル (LLM) から取得した知識を活用して、プロンプト テンプレートと言語化機能を強化する、新しい検索拡張型 TempRel 抽出アプローチを紹介します。
私たちの手法は、さまざまな LLM の多様な機能を利用して、テンプレートとバーバライザーの設計のための幅広いアイデアを生成します。
私たちが提案した方法は、生成タスクに対する LLM の可能性を最大限に活用し、より多くの知識を設計に提供します。
広く認識されている 3 つのデータセットにわたる経験的評価により、イベントの時間的関係抽出タスクのパフォーマンスを向上させる際の私たちの方法の有効性が実証されています。

要約(オリジナル)

Event temporal relation (TempRel) is a primary subject of the event relation extraction task. However, the inherent ambiguity of TempRel increases the difficulty of the task. With the rise of prompt engineering, it is important to design effective prompt templates and verbalizers to extract relevant knowledge. The traditional manually designed templates struggle to extract precise temporal knowledge. This paper introduces a novel retrieval-augmented TempRel extraction approach, leveraging knowledge retrieved from large language models (LLMs) to enhance prompt templates and verbalizers. Our method capitalizes on the diverse capabilities of various LLMs to generate a wide array of ideas for template and verbalizer design. Our proposed method fully exploits the potential of LLMs for generation tasks and contributes more knowledge to our design. Empirical evaluations across three widely recognized datasets demonstrate the efficacy of our method in improving the performance of event temporal relation extraction tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google