ACLMar, 2024

通过对比表示学习实现少样本关系分类的高效信息提取

PDF
TL;DR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。
few-shot relation classificationcontrastive learningmultiple sentence representationslow-resource settingsrelation descriptions
发现论文，激发创造
  • 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

  • 通过描述性关系提示和对比学习进行句子级别关系提取

    本文提出了一种新的范式 —— 具有描述性关系提示和对比学习的对抗性学习 (CTL-DRP)，用于共同考虑实体信息、关系知识和实体类型限制，通过提出的方法，在 TACRED 上获得了 76.7% 的竞争性 F1 - 分数，在 TACREV 和 Re-TACRED 都达到了 85.8% 和 91.6% 的最高水平表现。

    Apr, 2023

  • 自然语言推理的对偶级别监督对比学习

    本文提出一种基于对偶句子级别的监督对比学习（PairSCL）方法，采用交叉注意力机制学习句子对的联合表示，并使用对比学习目标来区分不同类别的句子对，在两个公共 NLI 数据集上，PairSCL 的准确性平均优于其他方法 2.1％，并在文本分类的七个转移任务上超过了先前的最新方法。

    Jan, 2022

  • 基于表示学习和领域自适应的跨领域少样本关系抽取

    该论文介绍了一种结合少样本学习和领域适应思想的方法，使用表示损失和对抗损失来提取源域和目标域中的句子关系，从而解决跨域少样本关系抽取问题，并在 FewRel 数据集上证明了其优越性。

    Dec, 2022

  • 事件和实体的跨文档指代消解的对比表示学习

    采用对比度表示学习方法的实体和事件共指解析技术，通过仅在推理时进行 n 个转换器计算的对比度学习技术，实现了对 ECB + 语料库关键指标的最先进结果和其他指标的竞争性。

    May, 2022

  • 基于大型语言模型的语义感知对照句子表示学习

    通过利用大型语言模型的生成和评估能力，我们提出了 SemCSR，一种语义感知的对比句子表示框架，可以自动构建高质量的 NLI 风格语料库，并将生成的句子对纳入对比句子表示模型的学习，实验证明了我们提出的框架在使用大型语言模型学习更好的句子表示方面的有效性。

    Oct, 2023

  • 近期具重点于少样本学习方法的命名实体识别与关系分类方法综述

    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

  • 基于逻辑引导的零样本关系分类语义表示学习

    该研究提出了一种基于逻辑引导的语义表示学习模型，通过知识图谱嵌入和逻辑规则，在已知和未知关系之间建立联系，用于零样本关系分类。实验结果表明，该方法可以推广到未见关系类型，并取得了有希望的提升。

    Oct, 2020

  • 基于查询的实例区分网络用于关系三元组抽取

    我们提出了一种基于查询的方法，用于构建关系三元组的实例级表示，然后通过对比学习，实现了关系三元组实例级表示的学习和全局信息连接，最终在五个广泛使用的基准测试中达到了最先进的水平。

    Nov, 2022

  • 学习解耦关系：利用实体引导的注意力和混淆感知训练进行少样本关系分类

    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