探索实体交互以进行小样本关系学习(学生摘要)
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
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
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
本研究提出了一种基于元学习、弱监督和合成数据的方法,以解决自然语言处理领域中少样本实体链接任务。在实验中证明,该方法在少量标注数据情况下可以获得较好的效果,并具有良好的可迁移性。
Jul, 2022
本论文提出了一个新的模型,即 FSRL 模型,在少量有参考的情况下学习新关系,可以更有效地从异构图结构中获取知识,并匹配每个关系的参考集中的相似实体对。实验结果表明,该模型优于现有的最先进的模型。
Nov, 2019
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。
Oct, 2020
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