基于深度强化学习的鲁棒远程监督关系抽取
计算与语言
2018-05-28 v1
摘要
远程监督已成为关系抽取的标准方法。然而，尽管这是一种高效的方法，但它并非没有代价——生成的远程监督训练样本通常噪声很大。为了对抗噪声，最近大多数最先进的方法侧重于选择最佳句子或计算特定实体对句子集合上的软注意力权重。然而，这些方法是次优的，假阳性问题仍然是性能的关键瓶颈。我们认为，必须对这些错误标记的候选句子进行硬决策处理，而不是用软注意力权重来处理。为此，本文提出了一种根本性的解决方案——我们探索了一种深度强化学习策略来生成假阳性指示器，在没有任何监督信息的情况下，我们自动识别每种关系类型的假阳性。与以往研究中的移除操作不同，我们将它们重新分配到负样本中。实验结果表明，与最先进的系统相比，所提出的策略显著提高了远程监督的性能。
引用
@article{arxiv.1805.09927,
title = {Robust Distant Supervision Relation Extraction via Deep Reinforcement Learning},
author = {Pengda Qin and Weiran Xu and William Yang Wang},
journal= {arXiv preprint arXiv:1805.09927},
year = {2018}
}