面向少样本关系学习的神经滚雪球方法
计算与语言
2019-11-20 v2 机器学习
摘要
知识图谱通常会持续不断地增长出新的关系。专注于具有充足训练数据的预定义关系的关系抽取难以很好地应对这种情况。为了以少样本实例处理新关系，我们提出了一种新颖的bootstrapping方法——Neural Snowball（神经滚雪球），通过迁移关于已有关系的语义知识来学习新关系。更具体地，我们使用Relational Siamese Networks（RSN，关系孪生网络）基于已有关系及其标注数据来学习实例间关系相似度的度量。之后，给定一个新关系及其少样本实例，我们利用RSN从非标注语料中累积可靠实例；这些实例被用于训练一个关系分类器，该分类器可进一步识别该新关系的新事实。此过程像滚雪球一样迭代进行。实验表明，我们的模型能够为更好的少样本关系学习收集高质量实例，并相比基线方法取得显著提升。代码与数据集发布于 https://github.com/thunlp/Neural-Snowball。
引用
@article{arxiv.1908.11007,
title = {Neural Snowball for Few-Shot Relation Learning},
author = {Tianyu Gao and Xu Han and Ruobing Xie and Zhiyuan Liu and Fen Lin and Leyu Lin and Maosong Sun},
journal= {arXiv preprint arXiv:1908.11007},
year = {2019}
}
备注
Accepted by AAAI2020