摘要
利用提示来探索预训练语言模型中包含的知识以完成下游任务已成为一个活跃的研究课题。当前的提示调优方法大多通过添加填空式短语并将所有标签映射为固定长度的表述，将下游任务转化为掩码语言建模问题，这已被证明对具有简单标签空间的任务有效。然而，当应用于具有复杂标签空间的关系分类时，传统的提示调优方法可能由于严格的提示限制而难以处理任意长度的标签表述。受预训练生成模型在文本填充任务中的启发，这些模型可以灵活预测缺失片段，我们提出了一种新的生成式提示调优方法，将关系分类重新定义为一个填充问题，从而摆脱了现有基于提示的方法的局限性，并充分利用实体和关系类型的丰富语义。此外，我们设计了实体引导解码和判别性关系评分机制，在推理过程中高效且有效地生成和对齐关系。大量实验表明，在完全监督设置和低资源设置下，我们的方法均表现出有效性。