EAGER：通过强化学习和可验证的奖励来增强生成事件提取

对于大型语言模型来说，端到端事件提取仍然具有挑战性，因为它需要同时识别事件触发器、对事件类型进行分类以及提取基于模式的参数范围。我们提出了 EAGER，一种用于生成事件提取的强化学习框架，它将细粒度可验证奖励与模式对比优势估计相结合，以减轻稀疏二元奖励下的优势崩溃。我们的奖励设计明确针对结构有效性、提取准确性、基础性、覆盖范围、过度生成和跨度精度。七个基准数据集的实验表明，EAGER 始终优于提示、监督微调和先前的强化学习基线，比最强的先前方法取得了实质性改进。结果表明，与任务一致的可验证奖励和对比优势估计大大改善了结构化提取。