面向文档级关系抽取的判别性与鲁棒性融合
计算与语言
2023-04-04 v1
摘要
文档级关系抽取（DocRE）用于预测文档中依赖长距离上下文推理的实体对之间的关系。作为一个典型的多标签分类问题，DocRE 面临着从绝大多数负类中有效区分出少量正类关系的挑战。当数据集中存在大量标注错误时，这一挑战变得更加难以克服。在本工作中，我们旨在更好地实现 DocRE 问题的判别性与鲁棒性的融合。具体而言，我们首先设计了一个有效的损失函数，使概率输出与内部表示均具备高判别性。我们创新性地将熵最小化与有监督对比学习定制用于具有挑战性的多标签与长尾学习问题。为改善标签错误的影响，我们为方法配备了一种新颖的负标签采样策略以增强模型鲁棒性。此外，我们引入了两种新的数据机制来模拟具有标注错误的更真实场景，并评估我们的采样策略。实验结果验证了各组件的有效性，并表明我们的方法在 DocRED 数据集、其近期清洗版本 Re-DocRED 以及所提出的数据机制上均取得了新的 SOTA 结果。
引用
@article{arxiv.2304.00824,
title = {Towards Integration of Discriminability and Robustness for Document-Level Relation Extraction},
author = {Jia Guo and Stanley Kok and Lidong Bing},
journal= {arXiv preprint arXiv:2304.00824},
year = {2023}
}
备注
EACL 2023 (Main conference, Long paper)