DARE：基于 GPT-2 的数据增强关系抽取方法
计算与语言
2020-04-30 v1 机器学习
机器学习
摘要
现实世界中的关系抽取（RE）任务难以处理，其原因或是训练数据有限，或是存在类别不平衡问题。在本工作中，我们提出数据增强关系抽取（DARE），一种通过适当微调 GPT-2 来为特定关系类型生成样本以扩充训练数据的简单方法。随后将生成的训练数据与黄金数据集结合，用于训练一个基于 BERT 的 RE 分类器。在一系列实验中，我们展示了本方法的优势，相较于强基线，其 F1 分数提升高达 11 个点。此外，DARE 在三个广泛使用的生物医学 RE 数据集上取得了新的最优结果（state of the art），平均超过此前最佳结果 4.7 个 F1 点。
引用
@article{arxiv.2004.13845,
title = {DARE: Data Augmented Relation Extraction with GPT-2},
author = {Yannis Papanikolaou and Andrea Pierleoni},
journal= {arXiv preprint arXiv:2004.13845},
year = {2020}
}