基于提示学习的篇章级事件论元抽取方法研究

事件论元抽取是指在自然语言文本中识别出事件论元及其对应的角色,是事件抽取的关键。传统事件论元抽取方法将抽取范围局限在单个句子中,在面对长文本中论元分散的情况时表现不佳。近年来,有研究者提出基于提示学习的篇章级事件论元抽取方法,能根据提示信息在输入文本中获取事件论元,实现事件论元抽取。然而现有基于提示学习的方法大多是由人工手动构建提示模板,模板结构固定容易导致论元抽取错误。针对以上不足,该文在以往基于提示学习研究的基础上,提出以文本触发词为关键实现模板自动构建的方法,并在输入文本中融入事件角色语义信息,使模型能更好地捕获文本语义特征,提高事件论元抽取准确率。在篇章级数据集RAMS上的实验结果表明,该模型在事件论元识别和事件论元分类的F1值分别达到54.3%和48.1%,相比最优的基准方法分别提升了1.8百分点和1.2百分点,验证了模型的有效性。