Jun, 2024

零 - shot 实体和关系分类的描述增强

PDF
TL;DR当给定少量标记数据时，零样本学习方法可以利用外部信息（例如文本描述）来对输入文本数据进行实体和关系分类。然而，最近的研究表明这些方法对提供的实体（或关系）描述非常敏感，即使描述的微小修改也可能导致决策边界的变化。本文正式定义了识别零样本推断中有效描述的问题，并提出一种生成初始描述变体的策略、对它们进行排序的启发式方法以及一种能够通过描述增强来提升零样本模型预测效果的集成方法。实验结果表明，我们提出的方法在四个不同的实体和关系分类数据集上优于现有方法，并在零样本学习设置下实现了新的最先进结果。所提出解决方案的源代码和评估框架已经开源。
zero-shot learningentity classificationrelation classificationtextual descriptionsdescription enhancement
发现论文，激发创造
  • Zshot：一个用于零样本命名实体识别和关系抽取的开源框架

    该研究提出了一种名为 Zshot 的新型零样本学习（ZSL）框架，旨在解决 ZSL 面临的挑战，为研究人员提供一个平台，允许他们在标准基准数据集上比较不同先进的 ZSL 方法，并且还支持工业界提供可用的 API，用于在标准 SpaCy NLP 流程中进行生产。

    Jul, 2023

  • 无监督标签描述排名和聚合用于零样本分类器

    本文提出了一种基于标签描述的零样本文本分类器，其使用概率模型来在无监督的情况下选择最佳标签描述，并在情感、话题和立场等方面的各种数据集和任务上进行了评估，展示了多个标签描述的聚合可以提高性能。

    Apr, 2022

  • 使用类别描述标注的零样本文本分类训练的好处

    本研究提出了一种简单的方法来进一步提高零 - shot 分类准确性，即利用精心策划的微调数据集描述任务的标签，进而在多个文本域中获得强大的预测模型。

    May, 2023

  • 强监督下的多线索零样本学习

    利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

    Mar, 2016

  • 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

  • ZS-BERT: 面向属性表示学习的零样本关系抽取

    本文提出了一种基于 BERT 的多任务学习模型（ZS-BERT），通过零样本关系抽取解决新出现关系的抽取问题，实验结果表明该方法相比于现有的方法在 F1 分数上至少提高了 13.54%。

    Apr, 2021

  • 跨领域多类别和多标记零样本学习

    本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

    Mar, 2015

  • OntoZSL: 基于本体增强的零样本学习

    通过本体论知识表示和语义嵌入，以更丰富和竞争的先验知识建模 ZSL 的类间关系，并使用生成对抗网络（GANs）开发了一种生成 ZSL 框架，以解决已知类和未知类之间的数据不平衡问题。

    Feb, 2021

  • 创意启发的零 - shot 学习

    该研究利用人类创造力领域的启发来模拟无监督学习过程，提出了一种生成视觉特征的方法，名为 Hallucinated Class Descriptions。实证表明该方法成功地应用于 generalized ZSL 以及 AwA2, aPY, 和 SUN 三个数据库上的 Attribute-based ZSL 的准确率得到显著提高。

    Apr, 2019

  • 零样本学习用于需求分类：探索性研究

    本研究提出了使用零样本学习方法进行需求分类的可能性，使用了上下文词嵌入和基于 transformer 的语言模型，通过一系列实验展示了该方法在三项分类任务上取得了不俗的结果。这种零样本学习方法可以缓解在需求工程中数据短缺的问题。

    Feb, 2023