一种简洁而有效的基于关系信息引导的小样本关系抽取方法
计算与语言
2022-05-20 v1
摘要
小样本关系抽取旨在通过每个关系类别下少量标注样本的训练，预测句子中实体对之间的关系。近期一些工作引入关系信息（即关系标签或描述），基于原型网络（Prototype Network）辅助模型学习。然而，其中大多数方法通常通过设计复杂网络结构（如生成混合特征、结合对比学习或注意力网络）来隐式地用关系信息约束每个关系类的原型。我们认为，关系信息可以更显式且有效地引入模型中。因此，本文提出一种直接相加的方法引入关系信息。具体而言，对于每个关系类，首先通过拼接关系的两种视图（即[CLS] token 嵌入与所有 token 嵌入的均值）生成关系表示，然后在训练和预测时直接加到原始原型上。在基准数据集 FewRel 1.0 上的实验结果表明了显著的提升，并取得了与最先进（state-of-the-art）方法相当的结果，证明了我们所提方法的有效性。此外，进一步的分析验证了直接相加是融合关系表示与原始原型的一种更为有效的方式。
关键词
引用
@article{arxiv.2205.09536,
title = {A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction},
author = {Yang Liu and Jinpeng Hu and Xiang Wan and Tsung-Hui Chang},
journal= {arXiv preprint arXiv:2205.09536},
year = {2022}
}
备注
accepted to ACL2022 findings