RAPL：一种用于少样本文档级关系抽取的关系感知原型学习方法
计算与语言
2023-10-25 v1
摘要
当仅有少量标注文档可用时，如何识别文档中实体间的语义关系？少样本文档级关系抽取（FSDLRE）对于解决真实场景普遍的数据稀缺问题至关重要。基于度量的元学习是一种被广泛用于 FSDLRE 的有效框架，其构建类原型用于分类。然而，现有工作往往难以获得具有准确关系语义的类原型：1）为目标关系类型构建原型时，它们聚合持有该关系的所有实体对的表示，而这些实体对可能还持有其他关系，从而干扰原型。2）它们在所有任务中使用一组通用的 NOTA（以上都不是）原型，忽视了 NOTA 语义在不同目标关系类型的任务中有所差异。本文中，我们提出一种用于 FSDLRE 的关系感知原型学习方法，以增强原型表示的关系语义。通过明智地利用关系描述与真实 NOTA 实例作为引导，我们的方法有效精炼关系原型并生成任务特定的 NOTA 原型。大量实验表明，我们的方法在两种 FSDLRE 基准的各种设置下平均以 2.61% 优于最先进方法。
引用
@article{arxiv.2310.15743,
title = {RAPL: A Relation-Aware Prototype Learning Approach for Few-Shot Document-Level Relation Extraction},
author = {Shiao Meng and Xuming Hu and Aiwei Liu and Shu'ang Li and Fukun Ma and Yawen Yang and Lijie Wen},
journal= {arXiv preprint arXiv:2310.15743},
year = {2023}
}
备注
Accepted to EMNLP 2023