揭示远程监督中的真实关系：一种神经期望最大化框架
计算与语言
2019-09-13 v1
摘要
用于关系抽取的远程监督能够以较少的人力从超大规模文本语料中有效获取结构化关系。然而，大多数现有此类任务模型假设给定文本可能含噪，但其对应标签是干净的。这一不切实际的假设与标签往往同样含噪的事实相矛盾，从而导致这些模型在真实数据上性能显著下降。为应对该挑战，我们提出了一种结合神经网络与概率建模的新型标签去噪框架，其在学习过程中自然地将含噪标签纳入考虑。我们通过实验证明，该方法在揭示真实关系标签方面显著改进了当前最优水平。
引用
@article{arxiv.1909.05448,
title = {Uncover the Ground-Truth Relations in Distant Supervision: A Neural Expectation-Maximization Framework},
author = {Junfan Chen and Richong Zhang and Yongyi Mao and Hongyu Guo and Jie Xu},
journal= {arXiv preprint arXiv:1909.05448},
year = {2019}
}
备注
To appear in 2019 Conference on Empirical Methods in Natural Language Processing and 9th International Joint Conference on Natural Language Processing