通过增强多样化句子对改进无监督关系抽取
计算与语言
2023-12-04 v1
摘要
无监督关系抽取(URE)旨在无需人工标注或已有知识库的情况下,从原始文本中抽取命名实体间的关系。在近期 URE 研究中,研究者显著侧重于采用对比学习策略获取关系表示。然而,这些研究常忽视两个方面:对比学习中多样化正样本对的引入,以及适当损失函数的探索。本文提出 AugURE,通过句内对增强与跨句对抽取增强来增加正样本对的多样性并强化对比学习的判别力。我们还指出了噪声对比估计(NCE)损失在关系表示学习中的局限,并提出对句子对应用间隔损失(margin loss)。在 NYT-FB 与 TACRED 数据集上的实验表明,所提出的关系表示学习与简单 K-Means 聚类取得了最先进(state-of-the-art)性能。
引用
@article{arxiv.2312.00552,
title = {Improving Unsupervised Relation Extraction by Augmenting Diverse Sentence Pairs},
author = {Qing Wang and Kang Zhou and Qiao Qiao and Yuepei Li and Qi Li},
journal= {arXiv preprint arXiv:2312.00552},
year = {2023}
}
备注
Accepted by EMNLP 2023 Main Conference