面向开放域事件抽取的提示学习方法与论元聚合结题报告.docVIP

面向开放域事件抽取的提示学习方法与论元聚合结题报告

一、研究背景与问题提出

在自然语言处理（NLP）领域，事件抽取作为信息抽取的核心任务之一，旨在从非结构化文本中识别出事件触发词、事件类型以及对应的论元（即事件参与者）。随着互联网信息的爆炸式增长，开放域文本（如新闻报道、社交媒体帖子、网页内容等）成为事件信息的主要载体。与限定域事件抽取不同，开放域场景下的事件类型不受预定义schema限制，文本中可能出现任意类型的事件，且论元角色复杂多样，这给传统事件抽取方法带来了巨大挑战。

传统的事件抽取方法主要依赖于预定义的事件schema和大量标注数据，通过监督学习模型进行训练。然而，在开放域场景中，预定义schema无法覆盖所有可能的事件类型，且标注数据的获取成本极高，导致这类方法的泛化能力严重不足。近年来，预训练语言模型（PLM）的出现为事件抽取带来了新的机遇，但其在开放域场景下的应用仍面临诸多问题：一方面，PLM的微调过程需要大量标注数据，而开放域中难以满足这一条件；另一方面，开放域文本中的事件论元往往存在指代、省略、分散等现象，如何有效聚合这些论元信息仍是亟待解决的难题。

提示学习（PromptLearning）作为一种新兴的PLM适配技术，通过将下游任务重新表述为语言模型熟悉的完形填空或分类问题，能够在少量标注数据甚至零样本的情况下实现良好的性能。将提示学习应用于开放域事件抽取，