基于关系图上贝叶斯元学习的少样本关系抽取
机器学习
2020-07-07 v1 机器学习
摘要
本文研究少样本关系抽取，旨在通过对每种关系使用少量标注样本训练，预测句子中实体对的关系。为了更有效地泛化到新关系，本文研究不同关系之间的关系，并提出利用全局关系图。我们提出一种新颖的贝叶斯元学习方法，有效学习关系原型向量的后验分布，其中原型向量的初始先验由全局关系图上的图神经网络参数化。此外，为有效优化原型向量的后验分布，我们提出使用随机梯度朗之万动力学，其与 MAML 算法相关但能处理原型向量的不确定性。整个框架可以以端到端方式有效且高效地优化。在两个基准数据集上的实验证明了我们所提方法在少样本和零样本设置下相对于竞争性基线的有效性。
引用
@article{arxiv.2007.02387,
title = {Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs},
author = {Meng Qu and Tianyu Gao and Louis-Pascal A. C. Xhonneux and Jian Tang},
journal= {arXiv preprint arXiv:2007.02387},
year = {2020}
}
备注
icml2020