多任务增强的文本生成式事件要素抽取方法

来源：计算机工程与应用杂志2025年第9期北京时间：

作者：史张龙, 周喜, 王震, 马博, 杨雅婷

单位：1.中国科学院 新疆理化技术研究所，乌鲁木齐 830011；2.中国科学院大学，北京 100049；3.中国科学院 新疆民族语音语言信息处理重点实验室，乌鲁木齐 830011

摘要：事件要素抽取旨在从非结构化文本中抽取结构化的事件数据，为下游任务提供结构化输入。近年来，许多研究采用预训练语言模型加提示学习的方式实现事件要素抽取，以模板槽位填空的形式完成该任务。然而，以往的研究主要采用单模板单任务的方法，但单一模板难以很好地捕捉事件要素实体间的结构依赖关系，其设计质量会影响最终的抽取结果；并且忽视了在进行多任务学习时，相似任务之间的促进作用。因此，设计了一种基于多任务增强的文本生成式事件要素抽取方法。具体地，分别构建了多模板指令增强任务模块与跨任务协同增强任务模块，以生成式模型作为共享主干网络，多种任务统一训练实现知识高效共享。该方法通过不同模板的指令增强，加强额外语义约束，提高了模型对指令的理解能力，通过跨任务的协同增强，使模型通过不同任务的互相监督，提高了模型对事件文本的理解分析能力。在ACE05数据集和RAMS数据集上的全样本实验中，该方法的Arg-C值分别达到了74.1%和52.4%，达到了最优水平。同时具有优异的少样本性能，在少样本场景下实验，仅需一半的数据量就可以达到阅读理解方法的抽取效果。

关键词：事件要素抽取,信息抽取,提示学习,多任务学习,自然语言处理