通过基于 LLM 的概念化进行事件本体扩展

事件本体扩展旨在从数据中发现新兴事件类型，并将其扩展到现有事件本体中的适当位置。现有方法通常对上下文化的触发表示进行聚类，并基于实例级相似性将诱导簇附加到本体。然而，本体扩展需要表征事件类型的概念级语义，而上下文触发表示经常将这些语义与表面上下文变化混为一谈，导致不稳定的聚类和不可靠的层次结构扩展。为了解决这个问题，我们提出了 ConceptE，一个用于事件本体扩展的概念化增强框架。 ConceptE首先通过用句子和事件触发器提示LLM来导出概念级语义，产生简洁的概念名称和自然语言描述。然后，它将这些语义与触发信息联合编码，以构建与本体级推理一致的概念增强表示。这种表示设计支持更连贯的事件聚类、更可靠的层次结构扩展和本体一致的类型命名。 ACE、ERE 和 MAVEN 上的实验表明，ConceptE 在事件本体扩展的所有子任务中始终优于最先进的方法。特别是，它在 BCubed-F1 中的事件聚类方面实现了高达 12.37% 的改进，在 Taxo\_F1 中的层次扩展方面实现了高达 6.48% 的改进，证明了所提出的 ConceptE 方法的有效性。