用于自举的渐进对抗学习:以实体集扩展为例
计算与语言
2021-09-27 v1
摘要
自举已成为实体集扩展的主流方法。传统自举方法多基于种子距离度量定义扩展边界,这严重依赖所选种子质量,且因监督极度稀疏而难以调整。本文提出BootstrapGAN,一种在GAN框架下联合建模自举过程与边界学习过程的新颖自举学习方法。具体而言,不同自举迭代的扩展边界由不同判别器网络学习;自举网络作为生成器生成新的正例实体,判别器网络通过区分生成实体与已知正例实体来识别扩展边界。通过迭代执行上述对抗学习,生成器与判别器可相互强化,并在整个自举过程中逐步精炼。实验表明BootstrapGAN取得了新的state-of-the-art(SOTA)实体集扩展性能。
引用
@article{arxiv.2109.12082,
title = {Progressive Adversarial Learning for Bootstrapping: A Case Study on Entity Set Expansion},
author = {Lingyong Yan and Xianpei Han and Le Sun},
journal= {arXiv preprint arXiv:2109.12082},
year = {2021}
}
备注
Accepted to the main conference of EMNLP2021