高效零样本关系抽取模型研究

零样本关系抽取旨在使用 novel 类型（即之前未见过的）的文本描述来识别实体之间的关系，而不是使用标记的训练示例。以往的工作常常依赖不现实的假设：（1）实体对直接被编码在输入中，这会阻止大规模文档数据库查询的离线预计算；（2）未引入拒绝机制，在使用这些模型进行检索场景时会产生偏差——在这种场景中，一些（且通常大多数）输入是无关的，必须被忽略。本文研究了在现实抽取场景下现有零样本关系抽取模型的鲁棒性。为此，我们引入了现有模型的分类体系，提出了构建单遍模型和带拒绝机制的模型的几种策略。我们调整了多个最先进的工具，并在这一具有挑战性的设置下进行比较，表明没有任何现有工作在现实假设下表现出色，但总体而言，AlignRE（Li等，2024）在所有标准方面都表现最佳。