A Multi-Domain and Multi-Task Generative Framework with Explicit Task and Domain Conditioning for Cross-Domain Event Extraction
作者: Siting Liang, Omar Adjali, Daniel Sonntag
分类: cs.CL
发布日期: 2026-08-24
💡 一句话要点
提出多域多任务生成框架以解决跨域事件提取问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 事件提取 跨域学习 多任务学习 生成框架 领域适应
📋 核心要点
- 现有事件提取模型在特定领域表现良好，但在跨域泛化时面临上下文和事件模式变化的挑战。
- 本文提出的框架通过领域条件信号和任务特定提示，实现对不同数据集模式的动态适应，增强模型灵活性。
- 实验结果显示，所提方法在多个事件提取基准上具有竞争力的性能和强大的跨域泛化能力，且具备良好的可扩展性。
📝 摘要（中文）
事件提取旨在识别事件触发器、分类事件类型并提取参数以构建结构化事件表示。尽管现有模型在特定领域表现良好，但由于上下文表达和事件模式的变化，跨域泛化仍然具有挑战性。以往的统一多任务方法提高了领域内的准确性，但在未见领域的灵活性有限。本文提出了一种统一的多域多任务训练框架，通过引入领域条件信号和任务特定提示，实现对数据集特定模式的动态适应。该框架支持管道和端到端提取设置，促进任务和领域级的迁移。实验结果表明，所提方法在多样化的事件提取基准上表现出竞争力的性能和强大的跨域泛化能力，同时保持领域特定的精确性。
🔬 方法详解
问题定义：本文旨在解决跨域事件提取中模型泛化能力不足的问题。现有方法在特定领域表现良好，但在面对新的领域时，往往无法有效适应不同的上下文和事件模式。
核心思路：提出一种统一的多域多任务训练框架，通过引入领域条件信号和任务特定提示，允许模型在推理时动态适应数据集特定的事件模式，而无需完整的事件标签集。
技术框架：该框架包括多个模块，支持管道和端到端的提取设置。主要模块包括领域条件模块、任务提示模块和事件提取模块，协同工作以实现高效的任务和领域级迁移。
关键创新：最重要的创新在于引入了领域条件信号和任务特定提示的结合，使得模型能够在不同领域间灵活适应，显著提高了跨域事件提取的性能。
关键设计：在模型设计中，采用了特定的损失函数以平衡不同任务的学习，同时优化了网络结构以支持多任务学习，确保模型在不同领域间的有效迁移。具体的参数设置和网络结构细节在实验部分进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提框架在多个事件提取基准上达到了竞争力的性能，尤其是在跨域任务中，相较于基线模型，性能提升幅度达到XX%，展现出强大的泛化能力和领域特定的精确性。
🎯 应用场景
该研究的潜在应用领域包括信息抽取、知识图谱构建和智能问答系统等。通过提高跨域事件提取的能力，能够更好地处理来自不同领域的数据，提升信息处理的效率和准确性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Event extraction aims to identify event triggers, classify event types, and extract arguments to construct structured event representations. Despite strong in-domain performance, developing models that generalize robustly across domains remains challenging due to variations in contextual expressions and event schemas. Prior unified and multi-task approaches improve in-domain accuracy but exhibit limited flexibility when applied to unseen domains. Even large language model-based methods that provide full event ontologies at inference time often underperform compared to smaller, task-specific fine-tuned models. We propose a unified multi-domain and multi-task training framework that models heterogeneous event schemas within a single model. Our approach introduces domain conditioning signals, jointly with task-specific prompts, enabling dynamic adaptation to dataset-specific schemas without requiring complete event label sets at inference time. The framework supports both pipeline and end-to-end extraction settings, facilitating efficient task- and domain-level transfer. Experiments on diverse event extraction benchmarks demonstrate that our method achieves competitive performance, strong cross-domain generalization, and practical scalability, while preserving domain-specific precision.