基于深度排序的代价敏感多标签学习用于远程监督关系抽取

知识库为提升信息检索（IR）系统的智能提供了一种潜在途径，因为知识库具有实体间的大量关系，可帮助 IR 系统从一个实体推理至另一实体。关系抽取是构建知识库的基础技术之一。远程监督是一种用于关系抽取的半监督学习方法，利用有标签与无标签数据进行学习。然而，该方法存在关系重叠问题，即一个实体元组可能具有多个关系事实。我们认为关系类型可具有潜在关联，称之为类关联（class ties），并可被利用以增强关系抽取。然而，关系类之间的这一性质此前未被充分探索。本文中，为利用关系间的类关联改进关系抽取，我们提出一种结合卷积神经网络的通用基于排序的多标签学习框架，其中引入带正则化技术的基于排序的损失函数以学习关系间的潜在关联。此外，为处理远程监督关系抽取中的类不平衡问题，我们进一步采用代价敏感学习对正负标签的成本进行重缩放。在广泛使用的数据集上的大量实验表明了我们的模型在利用类关联与缓解类不平衡问题上的有效性。