总结

文中的前向和后向的思想可以借鉴下。
但总的来看，似乎是通过前向和后向来做的ensemble操作，虽然是在一个模型下，但同时前向和后向概率保证，可能能够使得预测更准确。

任务形式：event argument extraction (EAE)————但文中做的具体是预测每个实体的下的argument的role
以往的工作：classification-based methods； machine reading comprehension-based methods； generationbased method
文章工作：we propose to utilize the role label semantic knowledge to construct a semantic verbalizer and design three kinds of templates for the EAE tasks

三种templates：

贡献：1.利用label的语义知识构建语义verbalizer；2.设计三种不同的templates （ hard template, soft template, and hard-soft template）

Given a sentence
S, an event trigger t with event type, and n entities
{e1, e2, …, en}, the goal is to predict the argument
role of each entity in the event triggered by t and
output a set of argument roles {r1, r2, …, rn}.

整体框架

分为前向和后向下的提示微调，FIP和BIP，即（forward iteration prompt和backward iteration prompt）
两种prompt，分别是from left 2 right和from right 2 left。
在两个方向下的prompt中，得到第i个entity role的confidence score。


the final argument role confidence score等于：

训练目标

p前向templates和后向templates下的概率，r表示第i个位置entity下的entity role的预测概率值。