基于高斯原型与自适应边界的少样本开放关系抽取

带有以上皆非（NOTA）的少样本关系抽取（FsRE with NOTA）旨在预测包含未知类别的少样本场景下的标签。由于未知类的边界复杂且难以学习，带有NOTA的FsRE比常规的少样本关系抽取任务更具挑战性。基于元学习的方法，特别是基于原型的方法，是该任务的主流解决方案。它们通过学习每个类别的样本分布来获得分类边界。然而，由于少样本过拟合和NOTA边界混淆导致已知类与未知类之间的误分类，其性能受到限制。为此，我们提出了一种基于高斯原型和自适应边界的新框架GPAM，用于带有NOTA的FsRE，该框架包含三个模块：半事实表示、GMM原型度量学习和决策边界学习。前两个模块通过去偏信息增强和高斯空间距离测量获得更好的表示，以解决少样本问题。第三个模块通过自适应边界和负采样学习更准确的分类边界和原型。在GPAM的训练过程中，我们使用对比学习损失综合考虑范围和边界对已知类和未知类分类的影响，以确保模型的稳定性和鲁棒性。在FewRel数据集上的充分实验和消融实验表明，GPAM超越了以往的原型方法，并取得了最先进的性能。