面向不完全标注文档级关系抽取的阳性-未标注度量学习框架

文档级关系抽取(RE)的目标是识别跨多个句子的实体间关系。近来，文档级RE中的不完全标注问题受到越来越多的关注，一些研究使用阳性-未标注学习等方法应对该问题，但仍有很大改进空间。受此启发，我们提出一种阳性增强与阳性混合的阳性-未标注度量学习框架(P3M)。具体而言，我们将文档级RE建模为度量学习问题。我们旨在拉近实体对嵌入与其对应关系嵌入间的距离，同时将其推离无关系类的嵌入。此外，我们将阳性-未标注学习适配于该损失目标。为提升模型泛化性，我们使用dropout增强阳性样本，并提出一种阳性-无关系类混合方法。大量实验表明，在不完全标注的文档级RE中，P3M将F1分数提升了约4-10个点，并在完全标注场景下取得state-of-the-art结果。此外，P3M在不完全标注场景下对先验估计偏差也表现出鲁棒性。