基于远程监督迭代训练的粗到细知识图领域自适应
人工智能
2024-02-08 v2
摘要
现代监督学习神经网络模型需要大量人工标注数据，这使得特定领域知识图的构建耗时耗力。与此同时，尽管基于远程监督学习的命名实体识别与关系抽取已有诸多研究，但从大量文本数据在无人工标注情况下构建特定领域知识图仍是亟待解决的问题。为此，我们提出一个集成框架，用于将知识图从一个粗粒度领域（生物医学）适配并再学习到一个更细定义领域（肿瘤学）。在该框架中，我们对跨领域知识图自适应应用远程监督，因此训练模型无需人工数据标注。我们引入一种新颖的迭代训练策略以促进领域特定命名实体与三元组的发现。实验结果表明，所提框架能高效地进行领域自适应与知识图构建。
引用
@article{arxiv.2211.02849,
title = {Coarse-to-fine Knowledge Graph Domain Adaptation based on Distantly-supervised Iterative Training},
author = {Hongmin Cai and Wenxiong Liao and Zhengliang Liu and Yiyang Zhang and Xiaoke Huang and Siqi Ding and Hui Ren and Zihao Wu and Haixing Dai and Sheng Li and Lingfei Wu and Ninghao Liu and Quanzheng Li and Tianming Liu and Xiang Li},
journal= {arXiv preprint arXiv:2211.02849},
year = {2024}
}