实体概念增强的少样本关系抽取

ACLJun, 2021

Entity Concept-enhanced Few-shot Relation Extraction

Shan Yang, Yongfei Zhang, Guanglin Niu, Qinghua Zhao, Shiliang Pu

TL;DR本文提出了一种新颖的基于实体概念增强的少样本关系提取方案（ConceptFERE），通过计算句子与概念之间的语义相似度，选择最合适的概念，再通过自注意力融合模块建立概念嵌入和句子嵌入之间的联系，提高了关系分类性能。

Abstract

few-shot relation extraction (FSRE) is of great importance in long-tail distribution problem, especially in special domain with low-resource data. Most existing FSRE algorithms fail to accurately classify the rel

few-shot relation extraction low-resource data entity concept-enhanced relation prediction self-attention based fusion module

发现论文，激发创造

探究少样本关系抽取的任务难度

本文研究了少样本关系抽取问题，在元学习的基础上，提出了一种基于对比学习的方法，该方法通过利用关系标签信息来学习更好的表征，并进一步设计了一种方法，使模型能够自适应地学习如何关注难任务。实验表明，我们的方法在两个标准数据集上都有出色的表现。

Sep, 2021

协同锚定对比式预训练在少样本关系抽取中的应用

通过预训练语言模型和锚定对比预训练框架，本研究在少样本关系抽取中取得了显著的性能提升，并展示了对领域迁移和零样本关系抽取的优越适应能力。

Dec, 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

混合视觉证据下的少样本关系抽取

多模态表示学习在少样本关系抽取上的应用

Mar, 2024

基于细粒度语义信息的远程监督关系抽取方法

本文聚焦于关系抽取，提出假设：句子中关键语义信息对实体关系抽取起着关键作用，通过内部注意机制提取句子内细粒度的语义特征，证明该关系抽取模型比已有方法具有更优的准确率和召回率。

Feb, 2023

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

文档级关系抽取的粗到细实体表示

本研究提出 Coarse-to-Fine Entity Representation model (CFER), 采用粗细分阶段策略，旨在同时关注全局信息与目标实体对之间的路径信息，用于获取更全面的实体表示，并应用于文档级关系提取任务中取得较优结果。

Dec, 2020

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

DocRED-FE：一个基于文档的细粒度实体和关系抽取数据集

本文介绍了构建大规模文档级细粒度实体和关系提取（JERE）数据集 DocRED-FE 的方法，着重于实体类型细粒度化，包括重新设计实体类型分层结构和 119 个细粒度类型，通过丰富的实验发现 DocRED-FE 对现有 JERE 模型提出挑战，并且 Fine-Grained 实体类型有助于关系分类。

Mar, 2023

Few-Shot 文档级关系抽取

本研究提出了 FREDo，一种少样本文档级关系抽取基准测试，通过两个现有的监督学习数据集 DocRED 和 scieRC 构建了一个基准测试，并发现 FSDLRE 是一种具有新特征的具有挑战性的任务，特别是关于 NOTA 分布的真实性，可以从支持集中抽样 NOTA 实例。

May, 2022