多语言历史报纸广告事件抽取（ACL2023）

1、写作动机：

首先，获取大规模的、有注释的历史数据集是困难的，因为只有领域专家才能可靠地为它们打标签。其次，大多数现成的NLP模型是在现代语言文本上训练的，这使得它们在应用于历史语料库时效果显著降低。这对于研究较少的任务以及非英语语言尤为棘手。

2、主要贡献：

•构建了一个新的多语言数据集，包括英语、法语和荷兰语的“寻求自由事件”，由奴隶主发布的广告，报道了试图通过逃离奴役寻求自由的被奴役人，基于现有的英语语言“逃奴广告”数据集的标注。

•将从历史文本中提取事件的过程框架化为抽取式问答。即使有限的标注数据，通过利用现代语言的现有资源，这种形式化也能够取得出乎意料的好结果。

•证明了对于历史语言的跨语言低资源学习是非常具有挑战性的，实际上，将历史数据集机器翻译到目标语言通常是最有效的解决方案。

3、数据集：

奴隶主发布在报纸上的广告，内容是捉拿自行解放的奴隶。三种语言：英语、法语、荷兰语。

4、模型：

使用RoBERTa（英语），CamemBERT（法语），RobBERT（荷兰语），XLM-RoBERTa（多语言）模型，在大型抽取性问答数据集上进行了微调。

baseline :T0++(具有强大零样本能力的编码器-解码器transformer，用于在多种语言的历史文本中进行命名实体识别标记)、OneIE（一个英语事件抽取框架）

5、实验：

5.1实验设置：

零样本、少样本、半监督、跨语言训练方式。

5.2实验结果

零样本推理：

少样本推理：

半监督推理和跨语言推理：

6、局限性：

一种事件类型、一个语系、依赖翻译工具、受到OCR错误影响。