DSGAN：用于远程监督关系抽取的生成对抗训练
计算与语言
2018-05-28 v1
摘要
远程监督能够有效地为关系抽取标注数据，但存在噪声标注问题。近期的工作主要执行软包级降噪策略，以在句子包中寻找相对较好的样本，与在句子级对假阳性样本做出硬决策相比，这是次优的。在本文中，我们引入了一个对抗学习框架，我们将其命名为 DSGAN，以学习一个句子级真阳性生成器。受生成对抗网络启发，我们将生成器生成的正样本视为负样本来训练判别器。直到判别器的判别能力出现最大下降时，才获得最优生成器。我们采用生成器过滤远程监督训练数据集，并将假阳性实例重新分配到负样本集中，从而为关系分类提供清洗后的数据集。实验结果表明，与最先进的系统相比，所提出的策略显著提高了远程监督关系抽取的性能。
引用
@article{arxiv.1805.09929,
title = {DSGAN: Generative Adversarial Training for Distant Supervision Relation Extraction},
author = {Pengda Qin and Weiran Xu and William Yang Wang},
journal= {arXiv preprint arXiv:1805.09929},
year = {2018}
}