EMNLPOct, 2023

RAPL：一种面向少样本文档级关系抽取的关系感知原型学习方法

PDF
TL;DR本文提出了一种关系感知的原型学习方法，通过巧妙利用关系描述和真实的任务特定的 NOTA 实例来有效地改进关系原型并生成任务特定的 NOTA 原型，实验证明该方法在两个 FSDLRE 基准测试的各种设置中比最先进的方法平均提升了 2.61% 的 F1 得分。
few-shot document-level relation extractionmetric-based meta-learningprototype learningrelation semanticsfsdlre benchmarks
发现论文，激发创造
  • Few-Shot 文档级关系抽取

    本研究提出了 FREDo，一种少样本文档级关系抽取基准测试，通过两个现有的监督学习数据集 DocRED 和 scieRC 构建了一个基准测试，并发现 FSDLRE 是一种具有新特征的具有挑战性的任务，特别是关于 NOTA 分布的真实性，可以从支持集中抽样 NOTA 实例。

    May, 2022

  • RAPS: 一种新的 Few-Shot 关系抽取管道，具有查询信息指导的注意力和自适应原型融合

    本文提出了一种基于查询信息引导的注意力和自适应原型融合的新型流程 RAPS，以更有效地泛化到新的关系，该方法在 FewRel 1.0 数据集上取得了显著的改进，优于现有最先进方法。

    Oct, 2022

  • 关系抽取的原型表示学习

    本文章提出一种利用关系原型从远程标注数据中学习关系表示的方法，并证明该方法在几种关系学习任务上比现有技术显著优越，本方法具有预测性，可解释性和鲁棒性。

    Mar, 2021

  • 一种简单而有效的关系信息引导的少样本关系抽取方法

    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

  • 探究少样本关系抽取的任务难度

    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

  • 重新审视少样本关系分类：评估数据和分类方案

    研究使用少样本学习 (FSL) 处理关系分类（RC），并提出了一种新方法来从可用的监督 RC 数据集中产生更现实的 FSL 测试数据，针对嵌入式最近邻方法的分类方案进行了分析，并提出了一种新的分类方案，其中 NOTA 类别被表示为学习向量，并展示了该方法对 FSL 的吸引力。

    Apr, 2021

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020

  • 利用多原型嵌入桥接文本和知识，进行少样本关系三元组提取

    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

  • 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

  • 基于语义关系推理的稳定少样本目标检测

    通过引入显式关系推理和语义嵌入，利用少量数据探测新颖物体的性能较稳定且鲁棒，相比于显式和隐式样本较少时可以取得明显更好的结果。

    Mar, 2021