基于模式增强嵌入学习的弱监督关系抽取
计算与语言
2017-12-27 v2
摘要
从文本语料中抽取关系是一项重要的文本挖掘任务。当聚焦于弱监督关系抽取时，即利用少量关系实例（即一对实体及其关系）作为种子从语料中抽取更多实例，该任务变得尤为具挑战性。现有的分布式方法利用实体的语料级共现统计来预测其关系，并需要大量标注实例以学习有效的关分类器。与之相对，基于模式的方法执行自举或应用神经网络对局部上下文建模，但仍依赖大量标注实例以构建可靠模型。本文研究在弱监督设定下整合分布式与基于模式的方法，使两类方法可互为补充监督以构建有效的统一模型。我们提出一种新颖的协同训练框架，包含分布式模块与模式模块。训练过程中，分布式模块帮助模式模块区分信息性模式与其他模式，模式模块生成若干高置信实例以改进分布式模块。整个框架可通过在改进模式模块与更新分布式模块之间迭代而有效优化。我们在两项任务上开展实验：基于文本语料的知识库补全与语料级关系抽取。实验结果证明了我们的框架在弱监督设定下的有效性。
引用
@article{arxiv.1711.03226,
title = {Weakly-supervised Relation Extraction by Pattern-enhanced Embedding Learning},
author = {Meng Qu and Xiang Ren and Yu Zhang and Jiawei Han},
journal= {arXiv preprint arXiv:1711.03226},
year = {2017}
}