GANTEE：用于分类体系入库评估的生成对抗网络
人工智能
2023-03-28 v1 计算与语言
摘要
分类体系被形式化为有向无环的概念图或树，支撑许多下游任务。许多新到来的概念需要被添加到已有的分类体系中。传统的分类体系扩展任务仅旨在为新生概念寻找已有分类体系中的最佳位置。然而，当应用于真实场景时，它们存在两个缺陷。先前的方法效率低下，因为在大多数新生概念实为噪声概念时浪费了大量时间。它们也缺乏有效性，因为它们仅从已有分类体系中收集训练样本，这限制了模型挖掘真实概念间更多上下位关系的能力。本文提出一种称为分类体系入库评估生成对抗网络（GANTEE）的可插拔框架，以缓解这些缺陷。该框架中设计了一个由判别模型缓解第一缺陷、生成模型缓解第二缺陷的生成对抗网络。GANTEE中使用两个判别器分别提供长期与短期奖励。此外，为进一步提升效率，使用预训练语言模型快速检索概念的表示。在三种真实世界大规模数据集及两种不同语言上的实验表明，GANTEE在有效性与效率上均提升了已有的分类体系扩展方法性能。
引用
@article{arxiv.2303.14480,
title = {GANTEE: Generative Adversatial Network for Taxonomy Entering Evaluation},
author = {Zhouhong Gu and Sihang Jiang and Jingping Liu and Yanghua Xiao and Hongwei Feng and Zhixu Li and Jiaqing Liang and Jian Zhong},
journal= {arXiv preprint arXiv:2303.14480},
year = {2023}
}
备注
Accepted by AAAI 2023