EAGER：基于可验证奖励强化学习增强生成式事件抽取
针对大语言模型在端到端事件抽取中面临的多任务协同挑战，研究人员提出了名为 EAGER 的强化学习框架。该方法将细粒度可验证奖励与基于模式对比的优势估计机制相结合，有效缓解了稀疏二元奖励导致的优势崩溃问题。其奖励设计针对结构有效性、抽取准确性、扎根性、覆盖率和跨度精度等多维度指标进行了优化，显著增强了生成式事件抽取的准确性与鲁棒性。
推荐理由提出结合细粒度可验证奖励与对比优势估计的强化学习框架，为提升大模型复杂结构化信息抽取能力提供了新方案。
原标题：EAGER: Enhancing Generative Event Extraction via Reinforcement Learning with Verifiable Rewards
阅读 arXiv 自然语言处理 原文 ↗