EMNLPSep, 2021

有效的零样本和小样本关系抽取的标签表达和蕴涵

PDF
TL;DR通过转换为推论任务并且使用预训练的文本推论引擎，我们能够减少标注大量实例所需的成本，实验结果表明，我们的方法在少量示例情况下可达到更好的性能。
relation extractionentailment tasklabeled examplespretrained textual entailment enginefew-shot systems
发现论文，激发创造
  • 基于文本推理的事件论元提取：多源学习实现零 - 和少样本

    本文通过使用预训练推理模型，将事件论元抽取等 NLP 任务转化为文本蕴涵任务，证明了文本蕴涵模型在复杂任务中同样有效，且可以大幅减少人工标注量和依赖于特定领域语料库的限制。使用多份蕴涵数据集来预训练模型是获得优异结果的关键。

    May, 2022

  • 把握要点：为零 shot 关系抽取量身定制大型语言模型

    通过使用语言模型生成初始种子实例并结合反馈进行改进，在关系抽取任务中实现零样本学习，取得了较基准方法更好的性能。

    Feb, 2024

  • 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

  • 统一低样本关系抽取的匹配预训练

    本文提出了一种 Multi-Choice 匹配网络来统一少样本关系抽取，使用三元组改写元训练来填补零样本和少样本之间的差距，实验结果表明所提出的方法在三种不同的少样本关系抽取任务上表现优异，是少样本关系抽取领域中表现最好的模型。

    Mar, 2022

  • ZS4IE: 零样本信息提取工具箱及简单语言描述

    介绍了一种新的信息提取工作流程，流程中分析员直接口述感兴趣的实体 / 关系，然后使用文本蕴涵模型进行零 - shot 信息提取，系统使用用户界面实现，并在四个信息提取任务上进行实验，只需每种类型 5-15 分钟的用户工作即可实现零 - shot 学习，并取得了很好的性能表现。

    Mar, 2022

  • 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

  • 通过阅读理解实现零样本关系抽取

    本论文将关系抽取问题转化为回答简单的阅读理解问题，可以利用深度学习中的神经网络技术，使用关系特定的众包问题与遥感监督结合的大规模训练集进行建模，并可以在测试时抽取新的关系类型，实现了零样本学习。通过对维基百科的插槽填充任务的实验表明，该方法可以高精度地推广到已知关系类型的新问题，并保持零样本学习到尚未见过的关系类型，这为未来的工作设定了标杆。

    Jun, 2017

  • 基于预训练语言模型的上下文小样本关系抽取

    通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

    Oct, 2023

  • 通过相关的可解释触发器和关系名称实现零样本对话关系提取

    本文提出了一种利用触发器捕获能力实现零样本对话关系提取的模型，该模型在使用 DialogRE 数据集进行的实验中取得了显著的改进，为对话关系提取系统的可扩展性和实用性提供了新的方法。

    Jun, 2023

  • 关系抽取中处理零基数的两步方法

    本文中，我们通过增加零基数句子，对最先进的实体和关系提取模型进行了更加实际的实验设置与评估，结果表明这种情况下模型的 F1 得分明显下降，提出了基于 BERT 的两步建模方案，可以提高模型在这种实际情况下的性能。

    Feb, 2023