从半事实学习：用于广义关系发现的去偏与语义感知框架
计算与语言
2024-01-15 v1
摘要
我们引入了一个新任务，称为广义关系发现（GRD），用于开放世界关系抽取。GRD旨在识别现有预定义关系中的未标记实例，或通过将实例分配到聚类并为这些聚类提供具体含义来发现新关系。GRD的关键挑战是如何缓解由标记的预定义关系引起的严重模型偏差，以学习有效的关系表示，以及如何在分类或聚类未标记实例时确定新关系的具体语义。然后，我们针对该任务提出一个新框架SFGRD，通过两阶段从半事实学习来解决上述问题。第一阶段是由三视图去偏关系表示模块实现的半事实生成，其中我们将每个原始句子作为主视图，并设计两个去偏视图为该句子生成半事实示例。第二阶段是由双空间三视图协同关系学习模块执行的半事实思考，其中我们设计了一个聚类语义空间和一个类索引空间，分别学习关系语义和关系标签索引。此外，我们设计了对齐和选择策略来整合两个空间，并通过跨三个视图进行半事实思考为未标记数据建立自监督学习循环。大量实验结果表明，SFGRD在关系标签索引和关系语义质量方面分别以2.36%∼5.78%的准确率和32.19%∼84.45%的余弦相似度超越了最先进模型。据我们所知，我们是第一个在关系抽取中利用半事实有效性的工作。
引用
@article{arxiv.2401.06327,
title = {Learning from Semi-Factuals: A Debiased and Semantic-Aware Framework for Generalized Relation Discovery},
author = {Jiaxin Wang and Lingling Zhang and Jun Liu and Tianlin Guo and Wenjun Wu},
journal= {arXiv preprint arXiv:2401.06327},
year = {2024}
}