CIL:面向远程监督关系抽取的对比实例学习框架
计算与语言
2021-06-22 v1
摘要
自远程监督(DS)首次引入关系抽取(RE)任务以来,从 DS 生成的训练数据中降噪的历程便已开启。过去十年中,研究者应用多实例学习(MIL)框架从句子包中寻找最可靠的特征。尽管 MIL 包的模式可大幅降低 DS 噪声,其却无法表征数据集中许多其他有用的句子特征。在许多情况下,这些句子特征只能通过代价高昂的额外句子级人工标注获得。因此,远程监督 RE 模型的性能受限。本文超越典型 MIL 框架,提出一种新颖的对比实例学习(CIL)框架。具体而言,我们将初始 MIL 视为关系三元组编码器,并对每个实例约束正样本对以对抗负样本对。实验证明了我们所提框架的有效性,在 NYT10、GDS 和 KBP 上相较先前方法取得显著提升。
引用
@article{arxiv.2106.10855,
title = {CIL: Contrastive Instance Learning Framework for Distantly Supervised Relation Extraction},
author = {Tao Chen and Haizhou Shi and Siliang Tang and Zhigang Chen and Fei Wu and Yueting Zhuang},
journal= {arXiv preprint arXiv:2106.10855},
year = {2021}
}
备注
Accepted by ACL 2021