InSRL：融合多信息源用于远程监督关系抽取的多视角学习框架
计算与语言
2020-12-18 v1
摘要
远程监督通过利用知识库自动标注句子包以用于关系抽取，但受困于包稀疏与噪声问题。亟需额外信息源来补充训练数据并克服这些问题。本文中，我们引入知识库中两种广泛存在的源，即实体描述与多粒度实体类型，以丰富远程监督数据。我们将信息源视为多视角，并融合它们以构建具备充足信息的完整空间。提出了一种端到端的多视角学习框架，通过完整空间表示学习（InSRL）进行关系抽取，并且单视角的表示被同时联合学习。此外，采用视角内与跨视角注意力机制，以基于实体对在不同层次上突出重要信息。在流行基准数据集上的实验结果证明了额外信息源的必要性以及我们框架的有效性。我们将在匿名评审阶段后发布我们的模型实现与含多信息源的数据集。
引用
@article{arxiv.2012.09370,
title = {InSRL: A Multi-view Learning Framework Fusing Multiple Information Sources for Distantly-supervised Relation Extraction},
author = {Zhendong Chu and Haiyun Jiang and Yanghua Xiao and Wei Wang},
journal= {arXiv preprint arXiv:2012.09370},
year = {2020}
}
备注
7 pages, 5 figures