兼得两者之长：一种灵活且可泛化的神经符号关系分类方法
计算与语言
2024-03-07 v1 人工智能
摘要
本文介绍了一种用于关系分类 (RC) 的新型神经符号架构，该架构结合了基于规则的方法与现代深度学习技术。这种方法利用了两种范式的优势：基于规则系统的适应性和神经网络的泛化能力。我们的架构由两个组件组成：一个用于透明分类的声明式基于规则的模型，以及一个通过语义文本匹配来增强规则泛化能力的神经组件。值得注意的是，我们的语义匹配器是以无监督且与领域无关的方式训练的，仅使用合成数据。此外，这些组件是松耦合的，允许在不重新训练语义匹配器的情况下修改规则。在我们的评估中，我们关注了两个少样本关系分类数据集：Few-Shot TACRED 和 NYT29 的少样本版本。我们表明，尽管未见任何人工标注的训练数据，我们提出的方法在四种设置中的三种里优于之前的最先进 (SOTA) 模型。此外，我们展示了我们的方法保持模块化和灵活性，即可以局部修改相应的规则以改进整体模型。针对 TACRED 关系 \texttt{org:parents} 的人工规则干预使该关系的性能提升了高达 26\% 的相对增幅，且未对其他关系产生负面影响，也无需重新训练语义匹配组件。
引用
@article{arxiv.2403.03305,
title = {Best of Both Worlds: A Pliable and Generalizable Neuro-Symbolic Approach for Relation Classification},
author = {Robert Vacareanu and Fahmida Alam and Md Asiful Islam and Haris Riaz and Mihai Surdeanu},
journal= {arXiv preprint arXiv:2403.03305},
year = {2024}
}