Jointprop：基于异构图传播的实体与关系联合半监督抽取框架
计算与语言
2023-05-26 v1 人工智能
摘要
半监督学习已成为从有限数据中提取实体和关系的重要方法。然而，当前的半监督工作分别处理这两个任务（即命名实体识别和关系抽取），忽略了实体和关系实例之间的交叉关联以及未标记数据中相似实例的存在。为缓解这些问题，我们提出了 Jointprop，一种用于实体与关系联合半监督抽取的基于异构图传播的框架，其捕获了各独立任务之间的全局结构信息并利用未标记数据内的交互。具体而言，我们从实体和关系候选构造统一的基于跨度的异构图，并基于置信度分数传播类别标签。然后我们采用传播学习方案来利用有标记与未标记样本之间的亲和性。在基准数据集上的实验表明，我们的框架在 NER 和 RE 任务上优于最先进的半监督方法。我们展示了两个任务的联合半监督学习受益于它们的相互依赖，并验证了利用未标记数据间共享信息的重要性。
引用
@article{arxiv.2305.15872,
title = {Jointprop: Joint Semi-supervised Learning for Entity and Relation Extraction with Heterogeneous Graph-based Propagation},
author = {Yandan Zheng and Anran Hao and Anh Tuan Luu},
journal= {arXiv preprint arXiv:2305.15872},
year = {2023}
}