Проблема ручного онтологирования
Создание онтологии событий (Event Ontology) традиционно требует участия экспертов, которые вручную определяют типы событий и их названия на основе домена. Этот процесс характеризуется высокой стоимостью аннотации и подвержен субъективным искажениям. Авторы работы — Пратик Майтра, Лорен Квон и Ци Ли — предлагают решение, исключающее этап ручного вмешательства.
Архитектура CLUE
Ключевое нововведение CLUE заключается в использовании совместного представления вложений (joint embedding representation). Модель учитывает два аспекта событий одновременно:
- Глагольно-центричный вид: фокус на глаголах, обозначающих действие.
- Семантический вид: контекстуальное значение события.
Индукция типов событий осуществляется с помощью кластеризации, управляемой контрастивной функцией потерь (contrastive loss), что позволяет группировать схожие события в единые категории без предварительных меток.
Результаты и значимость
Эксперименты подтвердили эффективность метода в задачах индукции, именования и уточнения событий. Подход демонстрирует, что нейросетевые модели способны самостоятельно формировать структурированные онтологии, что критически важно для масштабирования NLP-систем в новых доменах.
| Параметр | Описание |
|---|---|
| Название фреймворка | CLUE (Contrastive Learning Framework for Unsupervised Event Type Induction and Annotation) |
| Авторы | Pratik Maitra, Lauren Kwon, Qi Li |
| Дата публикации | 8 октября 2026 г. (arXiv:2610.12580) |
| Ключевая технология | Контрастивное обучение, совместные вложения (joint embeddings) |
| Основная цель | Устранение ручного труда при создании онтологий событий |
Исходный код проекта доступен по ссылке, указанной в статье, что позволяет исследователям воспроизвести результаты и интегрировать метод в свои пайплайны обработки естественного языка.
Источник: arXiv cs.CL ↗