少样本没问题：描述性持续关系抽取

少样本持续关系抽取是使AI系统能够在动态真实世界领域中识别并适应不断演变关系的关键挑战。传统的基于记忆的方法往往对有限样本过拟合，无法巩固旧知识；而少样本场景中的数据稀缺性进一步阻碍了潜在空间中的有效数据增强，从而加剧了这些问题。在本文中，我们提出了一种新颖的基于检索的解决方案，首先利用大型语言模型为每种关系生成描述。基于这些描述，我们引入了双编码器检索训练范式，以丰富样本和类的表示学习。利用这些增强的表示，我们设计了一种基于检索的预测方法，其中每个样本通过整合关系描述向量和类原型的倒数秩融合分数来“检索”最合适的关系。在多个数据集上的大量实验表明，我们的方法在顺序任务中保持了稳健的性能，有效解决了灾难性遗忘问题，显著推进了当前的技术水平。