TPN：面向少样本文档级关系抽取的可迁移原型学习网络

少样本文档级关系抽取由于NOTA（无对应关系）关系表示的跨域可迁移性差而性能不佳。本文中，我们引入了一个可迁移原型学习网络（TPN）来解决这一难题。它包含三个核心组件：混合编码器结合注意力信息对输入文本的语义内容进行分层编码，以增强关系表示。作为一个用于域外（OOD）检测的即插即用模块，可迁移原型学习器通过一个自适应可学习块计算NOTA原型，有效缓解了不同域间的NOTA偏差。动态权重校准器检测关系特定的分类置信度，作为动态权重来校准以NOTA为主导的损失函数。最后，为了增强模型的跨域性能，我们辅以虚拟对抗训练（VAT）。我们在FREDo和ReFREDo上进行了广泛的实验分析，证明了TPN的优越性。与最先进的方法相比，我们的方法在参数规模大约减半的情况下取得了有竞争力的性能。数据和代码可在https://github.com/EchoDreamer/TPN获取。