基于提示的语义知识增强零样本关系抽取
计算与语言
2024-03-04 v3
摘要
在关系三元组抽取 (RTE) 中，识别没有训练实例的未见关系是一项具有挑战性的任务。已有工作基于问答模型或关系描述来识别未见关系。然而，这些方法忽略了已见关系与未见关系之间联系的语义信息。本文提出一种基于提示的语义知识增强模型 (ZS-SKA)，用于零样本设置下识别未见关系。我们提出一种新的基于词级类比的句子翻译规则，并使用该新规则从已见关系实例生成未见关系的增强实例。我们基于外部知识图谱设计了带有加权虚拟标签构造的提示，以整合从已见关系中学习到的语义知识信息。我们不在提示模板中使用实际标签集，而是构造加权虚拟标签词。我们利用增强实例和提示学习已见和未见关系的表示。然后，使用原型网络计算生成表示之间的距离，以预测未见关系。在三个公开数据集 FewRel、Wiki-ZSL 和 NYT 上进行的大量实验表明，ZS-SKA 在零样本设置下优于其他方法。结果还证明了 ZS-SKA 的有效性和鲁棒性。
引用
@article{arxiv.2112.04539,
title = {Prompt-based Zero-shot Relation Extraction with Semantic Knowledge Augmentation},
author = {Jiaying Gong and Hoda Eldardiry},
journal= {arXiv preprint arXiv:2112.04539},
year = {2024}
}
备注
14 pages, 5 figures