Motivation

• 之前的研究表明prompt可以提高模型在事件检测方面的性能，包括
  • 使用特定structure
  • 使用每种事件类型特定的query
  • 原型 trigger
• 这些尝试启发对不同prompt效果的探究

Settings

作者在3种setting下做了实验：

• Supervised event detection
• Few-shot Event detection
  • 两个数据集\(D_{base}, D_{novel}\)，前者规模大，后者小。后者用来作为第二个域。
• Zero-shot Event detection
  • 只用第二个域的数据作为测试，不在\(D_{novel}\)上面fine-tune

Event Type Prompts

• Event Type Name
  • 使用Event的名字作为prompt
• Definition
  • 如 Attack：violent or physical act causing harm or damage
• Prototype Seed Triggers
  • 在判断事件类别\(T\)时，选取\(K\)个trigger word，他们作为\(T\)的触发词的次数占他们出现总次数的比例最大，并连接起来。
• Event Type Structure
  • 加入事件的参数
• Continuous Soft Prompt
  • 参考经典论文 Prefifix-tuning: Optimizing continuous prompts for generation
• APEX Prompt
  • 综合prompt，包含：event type name, seed triggers, and definition
  • 如下图所示

A Unified Framework for Event Detection

• Context Encoding

  • Sentence \(W={w_1,w_2,\dots,w_N}\)

  • event type prompt \(T={\tau _1^t, \tau _2^t,\dots,\tau _K^t}\)

  • 拼接成一个序列

  • \[[CLS] \tau _1^t, \tau _2^t,\dots,\tau _K^t [SEP] w_1,\dots,w_N[SEP] \]

  • 序列通过BERT得到对应的向量\(\mathbf{W},\mathbf{T}\)

• Event Type Aware Contextual Representation

  • 计算每个token的event type \(t\) aware contextual representation \(A_i^t=\sum_{j=1}^{|T|} \alpha_{ij} \cdot \mathbf{T}_j, \text{where } \alpha_{ij}=\cos(\mathbf{w}_i, \mathbf{T_j})\)

• Event Detection

  • \(\tilde{y}_i^t = U_o ([\mathbf{w}_i;\mathbf{A}_i^T;\mathbf{P}_i])\)
  • \(\mathbf{P}_i\)是token i的pos编码向量
  • \(U_o\)是预测事件检测的分类头

Experiments