COLINGOct, 2020

学习解耦关系：利用实体引导的注意力和混淆感知训练进行少样本关系分类

PDF
TL;DR本研究旨在增强少样本关系分类，特别是针对联合描述多个关系的句子。我们提出了 CTEG 模型，它配备了两种机制，以学习如何解耦易混淆的关系：一个基于实体引导的注意机制 (EGA) 和一个明确学习如何区分关系的混淆感知训练 (CAT) 方法。实验证明，我们提出的 EGA 和 CAT 可有效解决关系混淆问题，并实现了与强基线方法相当甚至更好的分类效果。
few-shot relation classificationcteg modelentity-guided attentionconfusion-aware trainingrelation confusion problem
发现论文，激发创造
  • 一种简单而有效的关系信息引导的少样本关系抽取方法

    本文提出了一种新的直接加法方法来更加明确有效地将关系信息引入 Few-Shot 关系提取模型，该方法通过连接两种关系视图来生 成关系表示，并将其直接添加到原型中进行训练和预测，在 FewRel 1.0 基准数据集上实现了显著的改进，并且与最先进的结果相当。

    May, 2022

  • 关系三元组提取的互相指导的少样本学习

    本文提出了一种基于 Mutual Guided Few-shot 学习框架的关系三元组抽取方法，该方法通过实体解码器和关系解码器相互指导，加上原型融合模块，能够在使用少量数据的情况下显著提高抽取准确度，在 FewRel 1.0 和 FewRel 2.0 数据集上表现优异。

    Jun, 2023

  • 基于自注意力增强和实体感知嵌入的选择性门，用于远程监督关系抽取

    本研究提出了一种轻量级神经框架，使用实体感知的词嵌入方法、自注意机制和基于丰富语境表示的汇聚门来解决监督远程关系提取的问题和减轻之前机制的缺陷，实现了最高的分类准确性和最佳的实验结果。

    Nov, 2019

  • 通过对比表示学习实现少样本关系分类的高效信息提取

    利用多个句子表示和对比学习的方法，从少样本关系分类中提取丰富的信息以区分实体对的关系。

    Mar, 2024

  • 增强功能词关注网络用于少样本逆向关系分类

    本文提出了一种自适应增强注意力框架（FAEA）用于少样本逆关系分类，其中设计了一种混合注意模型来关注基于元学习的类别相关功能词，并引入自适应消息传递机制来捕获和转移类间差异，实验证明 FAEA 优于现有模型，特别是在 FewRel1.0 的 1-shot 配置下，逆关系准确率提高了 14.33％。

    Apr, 2022

  • 基于逻辑引导的零样本关系分类语义表示学习

    该研究提出了一种基于逻辑引导的语义表示学习模型，通过知识图谱嵌入和逻辑规则，在已知和未知关系之间建立联系，用于零样本关系分类。实验结果表明，该方法可以推广到未见关系类型，并取得了有希望的提升。

    Oct, 2020

  • 基于显式证据推理的少样本关系抽取思路链

    使用大型语言模型的 CoT-ER 方法为少样本关系提取提出了一种新的方法，该方法利用具体证明推理将证据明确地纳入思维链式提示，实验结果表明，CoT-ER 方法（无训练数据）在 FewRel1.0 和 FewRel2.0 数据集上的表现与全监督（有 100% 训练数据）最新方法相当。

    Nov, 2023

  • 基于关系图的贝叶斯元学习进行少样本关系抽取

    本文研究了利用少量标记数据进行关系抽取的方法，为了更好地概括新关系，我们提出了利用全局关系图的方法，使用贝叶斯元学习的方法来有效地学习关系的原型向量的后验分布，并使用随机梯度 Langevin 动力学来优化原型向量的后验分布，整个框架能够有效且高效地进行端对端优化。实验表明，我们的方法在少样例和零样例场景下的效果均优于竞争基线。

    Jul, 2020

  • 近期具重点于少样本学习方法的命名实体识别与关系分类方法综述

    最近的方法调查了命名实体识别和关系分类这两个任务，重点关注少样本学习方法，并比较了两个任务中的主要方法，报告了少样本学习范围内的最新指标得分。

    Oct, 2023

  • 基于序列标注的少样本关系抽取框架

    本篇论文提出基于序列标注联合提取方法的小样本关系抽取任务，利用少量标注数据解决领域中标注数据不足的问题，并将两种实际序列标注模型应用于这个框架达到了良好的效果。

    Aug, 2022