重访少样本关系分类：评测数据与分类方案
计算与语言
2021-04-20 v1
摘要
我们探索用于关系分类 (RC) 的少样本学习 (FSL)。聚焦于 FSL 的现实场景，其中测试实例可能不属于任何目标类别（以上皆非，即 NOTA），我们首先重访近期流行的 FSL 数据集结构，指出其不现实的数据分布。为弥补此缺陷，我们提出一种从现有有监督 RC 数据集推导更现实少样本测试数据的新方法，并将其应用于 TACRED 数据集。这产生了一个具有挑战性的 FSL RC 新基准，在此基准上当前最优模型表现出较差性能。接下来，我们分析了流行的基于嵌入的近邻 FSL 方法中的分类方案，及其对嵌入空间所施加的约束。受该分析启发，我们提出一种新分类方案，其中 NOTA 类别由学习到的向量表示，经验上被证明是 FSL 的一个有吸引力的选项。
引用
@article{arxiv.2104.08481,
title = {Revisiting Few-shot Relation Classification: Evaluation Data and Classification Schemes},
author = {Ofer Sabo and Yanai Elazar and Yoav Goldberg and Ido Dagan},
journal= {arXiv preprint arXiv:2104.08481},
year = {2021}
}
备注
Accepted to TACL 2021