该论文介绍了一个用于解决低资源场景下关系抽取的方法,该方法基于自监督学习和对比学习,以一致的目标进行预训练和微调,在两个数据集上的实验表明,该方法在使用 1% 的数据时,较基于 PLM 的分类器分别提高了 10.5%和 5.8%的性能水平。
Dec, 2022
本文提出了基于双语词向量映射的方法,将一个好的源语言神经网络关系抽取模型直接应用于目标语言,从而实现了跨语言关系抽取模型的转移。实验证明该方法在多种目标语言中表现出较好的性能。
Oct, 2019
在低资源情境下,通过多视角关系表示的基于提示的方法(MVRE)能够有效提高关系抽取任务的性能,并在三个基准数据集上达到了最先进的低资源表现。
Dec, 2023
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
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
本研究提出了一种多模态关系抽取方法,通过检索对象、句子和整个图像的文本和视觉证据,综合考虑了同一和不同模态之间的信息,从而比现有的方法更准确地识别语义关系并显著提高了效果。
May, 2023
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
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。
该研究主要针对零样本关系提取中的语义匹配问题,通过设计一种细粒度语义匹配方法,将句子级相似度分成实体和语境匹配分数,并通过特征蒸馏模块自适应识别与关系无关的特征,从而提高匹配率和推理速度。
Jun, 2023
本文通过三种不同的方案对低资源情况下关系抽取系统进行了全面研究,并创建了包含 8 个 RE 数据集的基准,示范了不同的方法与结合的影响,结果表明虽然基于提示的调整有助于低资源 RE,但在从跨句子上下文中提取多个关系三元组时仍有很大改善潜力,数据增强与自我训练可以较好地充实现有基准,并可带来很多性能提升,然而自我训练并不能始终实现低资源关系抽取的进步。
Oct, 2022