SCoRE：基于多标签对比学习和贝叶斯kNN 的简化语料库关系抽取
计算与语言
2025-07-10 v1 人工智能
信息检索
机器学习
摘要
面向知识图谱（KG）丰富的日益增长的需求，使关系抽取（RE）特别是在低监督环境下受到广泛关注。为满足可适应且抗噪声RE解决方案的需求，这些解决方案能够无缝集成到预训练大型语言模型（PLM）中，我们引入了SCoRE，一个模块化且高性价比的句子级RE系统。SCoRE支持灵活的PLM切换，无需微调，能够平滑适应多样化的语料库和知识图谱。通过将受监督对比学习与贝叶斯k近邻（kNN）分类器结合用于多标签分类，系统即使在远距离监督语料库噪声注释下，仍能提供稳健的性能。为改进RE评估，我们提出了两种新指标：相关结构距离（CSD），衡量学习到的关系模式与知识图谱结构之间的对齐程度；以及在R位置的精确率（P@R），评估其作为推荐系统的实用性。我们还发布了Wiki20d基准数据集，复制了真实世界RE条件，即仅使用知识图谱派生的注释。实验表明，在五个基准数据集上，SCoRE匹配或超越了当前最先进的方法，同时显著降低了能源消耗。进一步分析表明，增加模型复杂度（如先前工作中所见）会降低性能，这凸显了SCoRE模块化设计的优势。凭借效率、模块化和可扩展性，SCoRE成为实际应用中最佳的RE选择。
引用
@article{arxiv.2507.06895,
title = {SCoRE: Streamlined Corpus-based Relation Extraction using Multi-Label Contrastive Learning and Bayesian kNN},
author = {Luca Mariotti and Veronica Guidetti and Federica Mandreoli},
journal= {arXiv preprint arXiv:2507.06895},
year = {2025}
}