Ajustement de la Prompte Générative pour la Classification des Relations

L'utilisation de prompts pour explorer les connaissances contenues dans les modèles de langage pré-entraînés pour des tâches en aval est désormais un sujet de recherche actif. Les méthodes actuelles d'ajustement de prompts convertissent principalement les tâches en aval en problèmes de modélisation de langage masqué en ajoutant des phrases à trous et en mappant tous les labels à des verbalisations de longueur fixe, ce qui s'est révélé efficace pour les tâches présentant des espaces de labels simples. Cependant, lorsqu'elles sont appliquées à la classification des relations qui présente des espaces de labels complexes, ces méthodes d'ajustement de prompts basiques peuvent avoir du mal à gérer des verbalisations de labels de longueurs arbitraires en raison des restrictions rigides des prompts. Inspirés par la tâche d'infillage textuel utilisée pour l'entraînement préalable des modèles génératifs capables de prédire flexiblement les segments manquants, nous proposons une nouvelle méthode d'ajustement de prompts génératifs pour reformuler la classification des relations comme un problème d'infillage, ce qui libère notre approche des limites des méthodes actuelles basées sur les prompts et permet ainsi d'exploiter pleinement les riches sémantiques des types d'entités et de relations. De plus, nous concevons un décodage guidé par les entités et un score discriminatif des relations pour générer et aligner efficacement et efficacement les relations lors de l'inférence. Des expériences exhaustives menées dans des conditions entièrement supervisées et à faibles ressources démontrent l'efficacité de notre approche.