利用多个句子表示和对比学习的方法，从少样本关系分类中提取丰富的信息以区分实体对的关系。

Mar, 2024

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

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

最近的方法调查了命名实体识别和关系分类这两个任务，重点关注少样本学习方法，并比较了两个任务中的主要方法，报告了少样本学习范围内的最新指标得分。

Oct, 2023

该论文研究了如何利用有限的样本进行关系提取，并建议使用新的标签提示现象 (即随机地去掉标签描述) 来提高类别表征，以在少样本学习任务中获得更好的结果。

Oct, 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

我们提出了 FewRel 数据集，其中包含来自维基百科的 100 种关系中的 70,000 个句子，这些句子由群众工作者进行注释。我们针对关系分类采用了最新的 Few-Shot Learning 方法，并对这些方法进行了全面的评估。实证结果表明，即使是最具竞争力的少样本学习模型也很难完成此任务，这表明 Few-Shot Learning 在关系分类方面仍然存在着问题，需要进一步的研究。

Oct, 2018

本文提出了一个概念简单、灵活、普适的框架来进行少样本学习，并在五个基准测试中展示了该方法的有效性。

Nov, 2017