面向联合实体与关系抽取的结构化语义数据增强方法

联合实体与关系抽取(JERE)对训练数据质量高度敏感，数据增强是提高其泛化性的自然方式。然而，现有增强方法常削弱实体关联性，破坏语义结构，限制其对JERE的有效性。本文提出结构化语义数据增强(SSDAU)，旨在在增强过程中保留三元组感知的语义结构。SSDAU通过实体标签分段、上下文感知编码捕获语义特征，并重构实体语义以生成增强数据。为区分语义相似的实体，SSDAU结合上下文感知嵌入与传统相似度得分。为减少主题不一致性，SSDAU采用BERTopic-based过滤以移除无关增强。我们在不同标注类型的数据集上评估SSDAU，并与七种流行增强基线方法对其在五个代表性JERE模型上的性能进行比较。实验表明，SSDAU生成的语义一致数据，对歧义更稳健(非LLM方法平均相对F1下降23.58% vs. 8.95%)，在大多数场景下均显著优于强大替代方案。