基于表示学习与域适应的跨域少样本关系抽取
计算与语言
2023-05-12 v2 人工智能
摘要
少样本关系抽取旨在利用每类关系下少量标注句子来识别新关系。先前基于度量的少样本关系抽取算法通过使用训练好的度量函数，将少量标注句子嵌入生成的原型与查询句子嵌入进行比较来判定关系。然而，由于这些领域与训练数据集中的领域往往存在显著差异，这些方法在许多领域中对未见关系的泛化能力有限。由于原型对于在潜空间中获取实体间关系是必要的，我们建议从先验知识与关系的内在语义中学习更具可解释性与高效性的原型，以在各类域中更有效地抽取新关系。通过利用先验信息探索关系之间的关系，我们有效改进了关系的原型表示。通过使用对比学习使句子嵌入间的分类边界更分明，原型的几何可解释性得以增强。此外，针对跨域问题采用迁移学习，使原型的生成过程能顾及与其他域之间的鸿沟，令原型更鲁棒，并能在多域间更好地抽取关联。在基准 FewRel 数据集上的实验结果表明，所提方法优于若干 SOTA 方法。
引用
@article{arxiv.2212.02560,
title = {Cross-Domain Few-Shot Relation Extraction via Representation Learning and Domain Adaptation},
author = {Zhongju Yuan and Zhenkun Wang and Genghui Li},
journal= {arXiv preprint arXiv:2212.02560},
year = {2023}
}