SAIS：面向文档级关系抽取的中间步骤监督与增强
计算与语言
2022-05-03 v2 人工智能
摘要
从句子级迈向文档级，关系抽取（RE）的研究面临着不断增长的文本长度与更为复杂的实体交互。因此，对关键的信息来源——相关上下文与实体类型——进行编码变得更具挑战性。然而，现有方法仅在为 RE 训练时隐式地学习建模这些关键信息来源。结果，它们饱受监督无效与模型预测不可解释的问题之苦。相比之下，我们提出通过监督与增强中间步骤（SAIS）来显式地教导模型捕捉相关上下文与实体类型。基于广泛精心设计的任务，我们提出的 SAIS 方法不仅因更有效的监督而抽取出更高质量的关系，还能更准确地检索相应的支撑证据，从而增强可解释性。通过评估模型不确定性，SAIS 进一步借助基于证据的数据增强与集成推理提升性能，同时降低计算成本。最终，SAIS 在三个基准（DocRED、CDR 与 GDA）上取得了最先进的 RE 结果，并在 DocRED 的证据检索上以 F1 分数相对高出亚军 5.04%。
引用
@article{arxiv.2109.12093,
title = {SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction},
author = {Yuxin Xiao and Zecheng Zhang and Yuning Mao and Carl Yang and Jiawei Han},
journal= {arXiv preprint arXiv:2109.12093},
year = {2022}
}
备注
Accepted by NAACL 2022