用于关系抽取的核化哈希码表示
计算与语言
2019-05-22 v7 信息检索
机器学习
摘要
核方法在关系抽取等若干自然语言处理任务上取得了最先进的成果，但由于计算自然语言结构之间核相似度的成本高昂，其可扩展性较差。近期提出的核化局部敏感哈希（KLSH）技术可显著降低计算成本，但仅适用于在 kNN 图上运行的分类器。在此我们提议使用 KLSH 码的随机子空间来高效构建适用于通用分类方法的 NLP 结构显式表示。此外，我们提出了一种通过最大化 KLSH 码（特征向量）与类标签之间互信息的近似来优化 KLSH 分类模型的方法。我们在生物医学关系抽取数据集上评估了所提方法，观察到相较于最先进分类器在准确率上取得显著且稳健的提升，同时相比传统核方法实现了数量级的极大加速。
引用
@article{arxiv.1711.04044,
title = {Kernelized Hashcode Representations for Relation Extraction},
author = {Sahil Garg and Aram Galstyan and Greg Ver Steeg and Irina Rish and Guillermo Cecchi and Shuyang Gao},
journal= {arXiv preprint arXiv:1711.04044},
year = {2019}
}
备注
To appear in the proceedings of conference, AAAI-19