COMM：面向鲁棒文档级关系抽取的集中边际最大化

文档级关系抽取（DocRE）是识别和提取跨越文档中多个句子之间实体关系的过程。鉴于其真实的应用场景，DocRE 在近年来受到越来越多的研究关注。以往的研究主要 focus 于开发复杂的编码模型来更好地捕捉实体对之间复杂的模式。虽然这些进展无疑至关重要，但更根本性的挑战在于数据本身。DocRE 的复杂性使得标注过程容易出错，加上正例关系样本的极度稀疏，这由正样本实例有限和正例关系类型的广泛多样性共同驱动。这可能会导致偏差化的优化过程，进一步 complicate 准确关系抽取的任务。鉴于这些挑战，我们开发了一个 robust 框架，称为 \textit{\textbf{COMM}} 来更好地解决 DocRE。\textit{\textbf{COMM}} 通过采用 instance-aware reasoning 方法，动态捕捉文档中实体对的相关信息并提取关系特征。随后，\textit{\textbf{COMM}} 考虑到关系的分布和样本的难易性，动态调整预测 logits 与 decision threshold 之间的边际，我们称为集中边际最大化。如此一来，\textit{\textbf{COMM}} 不仅提高了相关关系特征的抽取，还通过解决数据所特有的挑战来提升 DocRE 性能。广泛的实验和分析表明，\textit{\textbf{COMM}} 具有多样性和有效性，尤其是在训练低质量数据时表现出色（实现了超过 10% 的性能提升）。