学习解耦关系：基于实体引导注意力与混淆感知训练的少样本关系分类
计算与语言
2020-10-22 v1
摘要
本文旨在改进少样本关系分类，尤其是针对联合描述多种关系的句子。由于某些关系通常在同一语境中高频共现，以往的少样本关系分类器难以用少量标注实例区分它们。为缓解上述关系混淆问题，我们提出 CTEG，一种配备两种机制以学习解耦这些易混淆关系的模型。一方面，引入实体引导注意力(EGA)机制，利用每个词与指定实体对之间的句法关系及相对位置来引导注意力过滤导致混淆的信息。另一方面，提出混淆感知训练(CAT)方法，通过将句子分类为真关系与其混淆关系之间的“推离”博弈，显式学习区分关系。在 FewRel 数据集上进行了充分实验，结果表明我们所提模型在准确率上取得了与强基线相当甚至更优的结果。此外，消融实验与案例分析验证了所提 EGA 和 CAT 的有效性，特别是在解决关系混淆问题上。
引用
@article{arxiv.2010.10894,
title = {Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training},
author = {Yingyao Wang and Junwei Bao and Guangyi Liu and Youzheng Wu and Xiaodong He and Bowen Zhou and Tiejun Zhao},
journal= {arXiv preprint arXiv:2010.10894},
year = {2020}
}
备注
11 pages, 5 figures, accepted by COLING2020