arXiv cs.AI· Yang Wang, Hanlin Xiao, Yanan Ma, Chenghao Xiao, Chenghua Lin·· 3 天前AI 评分23
CalOn：面向实体、关系与事件抽取的校准类型化决策模型
Calibrated Typed Decisions for Entity, Relation, and Event Extraction
AI 导读
研究团队提出 CalOn，一个 0.6B 参数的统一编码器，可跨数据集与 schema 完成实体、关系和事件抽取，通过联合编码文本与类型定义并综合所有请求类型的证据来做出抽取决策。
正文 · AI 翻译
摘要：信息抽取模型通常在其训练所用的数据集上表现良好，但迁移到新的领域和标注指南仍然具有挑战性。仅支持用户指定的类型并不能解决这一问题。我们提出 CalOn，一个统一的 0.6B 参数编码器，用于跨数据集和模式的实体、关系和事件抽取。该模型联合编码文本和类型定义，然后直接识别实体片段、片段之间的关系以及事件触发词和论元。其抽取决策会综合考虑所请求的类型，利用它们的联合证据在分配类型之前识别相关候选。这为全部三项任务提供了统一的概率表述，同时使每个抽取出的提及都锚定在输入文本上。我们在多样化的来源上进行训练，并用一种奖励来补充监督学习，该奖励鼓励正确的抽取并惩罚错误的抽取。在 40 个基准上，CalOn 在大多数基准上优于所评估的基线。它在所有已报告的关系抽取基准上领先，并在使用金标准触发词时取得了事件触发词和论元的最高平均 F1。同一模型通过其片段对表述，在方面情感三元组抽取和代词消解上也表现强劲。对训练过程中引入的概率偏差进行校正后，实体、关系和事件论元的置信度估计在校准后得到改善，而 F1 变化很小。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17113 [cs.CL] |
| （或 arXiv:2610.17113v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17113 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yang Wang [查看电子邮件]
[v1]
2026年10月12日星期一 17:05:20 UTC（2,238 KB）
来源：arXiv cs.AI · arxiv.org