重标记噪声：基于协作多智能体的实体与关系联合抽取

基于远程监督的实体与关系抽取方法因所需的人工标注工作量较小而日益受到欢迎。在本文中，我们考虑了标签分布偏移问题，该问题由受外部知识图谱约束的含噪标注训练集与人工标注测试集之间的不一致所导致，并因先实体后关系且伴随噪声传播的流水线抽取方式而加剧。我们提出了一种联合抽取方法，通过一组协作多智能体对噪声实例进行重标记来解决此问题。为了以细粒度方式处理噪声实例，协作组中的每个智能体从自身视角通过计算连续置信度分数来评估实例；为了利用这两个抽取任务之间的相关性，设计了一个置信度共识模块来汇聚所有智能体的智慧，并以带置信度分数的标签重新分配含噪训练集。此外，置信度被用于调整抽取器的训练损失。在两个真实世界数据集上的实验结果验证了重标记噪声实例的益处，并表明所提出的模型显著优于当前最先进的实体与关系抽取方法。