面向少样本关系学习的上下文感知适配器调优

知识图谱（KGs）在 various 实际应用中起着重要作用，但常常因缺失关系而不完整。为了用有限的训练示例预测新关系的实例，已出现少样本关系学习方法，利用如元学习等技术。然而，假设新关系在元测试和基关系在元训练中是独立同分布的，这在实践中可能不成立。为解决此限制，我们提出了 RelAdapter，一种为少样本知识图谱关系学习设计的上下文感知适配器，以增强元学习中的适应过程。首先，RelAdapter 配备轻量级适配器模块，支持参数高效的方式对元知识进行关系特定的可调适应。其次，RelAdapter 被丰富的关于目标关系的上下文信息所增强，实现对每个独特关系的增强适应。针对三个基准知识图谱进行的大量实验表明，RelAdapter 在与最先进方法相比时具有优势。