面向关系三元组抽取的互引导少样本学习
计算与语言
2023-06-26 v1 人工智能
摘要
知识图谱（KGs）包含许多实体-关系-实体三元组，为下游应用提供丰富信息。尽管从非结构化文本中抽取三元组已被广泛研究，但大多数方法需要大量标注实例。当仅有少量标注数据时，性能会急剧下降。为解决这个问题，我们提出了面向关系三元组抽取的互引导少样本学习框架（MG-FTE）。具体而言，我们的方法包含一个实体引导的关系原型解码器，先对关系进行分类，以及一个关系引导的实体原型解码器，基于已分类的关系抽取实体。为建立实体与关系之间的联系，我们设计了一个原型级融合模块以提升实体抽取和关系分类的性能。此外，引入了一项新的跨域少样本三元组抽取任务。大量实验表明，我们的方法在 FewRel 1.0（单域）上以 12.6 F1 分数、在 FewRel 2.0（跨域）上以 20.5 F1 分数优于许多最先进（state-of-the-art）方法。
引用
@article{arxiv.2306.13310,
title = {Mutually Guided Few-shot Learning for Relational Triple Extraction},
author = {Chengmei Yang and Shuai Jiang and Bowei He and Chen Ma and Lianghua He},
journal= {arXiv preprint arXiv:2306.13310},
year = {2023}
}
备注
Accepted by ICASSP 2023