基于数据增强与一致性训练的半监督关系抽取
计算与语言
2023-06-21 v1 信息检索
摘要
由于关系抽取（RE）任务的语义复杂性，获取高质量人工标注数据是一个昂贵且含噪的过程。为提高模型的样本效率，半监督学习（SSL）方法旨在利用未标注数据，并结合从有限标注数据点中学习。近来，强数据增强与基于一致性的半监督学习方法相结合，已在若干SSL任务中推进了最先进水平。然而，由于RE任务数据增强的困难，将这些方法适配到RE任务一直具有挑战性。在本工作中，我们利用受控文本生成的最新进展为RE任务执行高质量数据增强。我们进一步引入微小但显著的模型架构改动，通过在潜空间中对不同数据点进行插值来生成更多训练数据。这些的数据增强与一致性训练相结合，在四个基准数据集上取得了极具竞争力的半监督关系抽取结果。
引用
@article{arxiv.2306.10153,
title = {Semi-supervised Relation Extraction via Data Augmentation and Consistency-training},
author = {Komal K. Teru},
journal= {arXiv preprint arXiv:2306.10153},
year = {2023}
}
备注
Previously published at INTERPOLATE @ NeurIPS 2022 workshop