融合主题和实体嵌入的双向提示调优事件论元抽取

近年来,提示学习在自然语言处理领域得到了广泛应用.据调研,论元角色与文本中的主题往往有高度的语义相关性,且现有的提示调优方法忽略了实体信息和论元之间的交互.为此,提出一种融合主题和实体嵌入的双向提示调优事件论元抽取模型(TEPEAE).首先,使用主题模型提取主题特征并进行主题嵌入化表示;其次,基于触发词、论元和实体信息构建提示模板,并将主题嵌入融入模板;然后,利用掩码语言模型预测每个实体的角色标签;最后,将标签从标签词空间映射到论元角色空间.在ACE2005-EN和ERE-EN数据集上的实验结果表明,TEPEAE优于基线模型,F1值分别达到79.53％和78.60％,验证了TEPEAE的有效性.此外,其在低资源场景下依然展现出卓越的性能,进一步证明其具有更强的鲁棒性.