统一低样本关系抽取的匹配预训练
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
本文提出一种零 - shot 关系抽取的方法,通过将实体的描述翻译成问题,并使用生成的问题来生成正确的实体,在不需要使用黄金问题模板的情况下超过了以前的最先进技术。
Jan, 2023
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
我们引入了一个元数据集,其中包括两个从现有的监督关系抽取数据集 NYT29 和 WIKIDATA(以及 TACRED 的 few-shot 形式)中派生的数据集。我们对六种最近的 few-shot 关系抽取方法进行了全面评估,观察到没有一种方法被明确地确定为胜者。此任务的整体性能较低,表明未来研究有很大的需求。我们释放了所有数据版本,即监督和 few-shot 数据,供未来研究使用。
Apr, 2024
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。
Sep, 2021
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
本文提出了一种新的多原型嵌入网络模型,旨在共同提取关系三元组的组成,即实体对和相应的关系,通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识,从而注入实体和关系之间的隐式相关性,并提出原型感知正则化来学习更具代表性的原型,实验结果表明,该方法可以提高少样本三元组提取的性能。
Oct, 2020