基于侧面信息的零样本关系分类
计算与语言
2021-11-22 v2 机器学习
摘要
我们提出了一种零样本学习关系分类（ZSLRC）框架，其凭借识别训练数据中未出现的新关系的能力，优于现有最先进水平。零样本学习方法模拟人类在毫无先验知识的情况下学习和识别新概念的方式。为此，ZSLRC 使用了改进以利用加权侧面（辅助）信息的先进原型网络。ZSLRC 的侧面信息由关键词、命名实体的上位词以及标签及其同义词构建。ZSLRC 还包含一个自动上位词抽取框架，可直接从网络上获取各类命名实体的上位词。ZSLRC 优于依赖标注训练数据的现有最先进少样本学习关系分类方法，因此即便在部分关系无对应标注训练样本的的真实场景中也具有更广泛的适用性。我们在两个公开数据集（NYT 和 FewRel）上通过大量实验展示结果，表明 ZSLRC 在有监督学习、少样本学习和零样本学习任务上均显著优于最先进方法。我们的实验结果也证明了所提模型的有效性与稳健性。
引用
@article{arxiv.2011.07126,
title = {Zero-shot Relation Classification from Side Information},
author = {Jiaying Gong and Hoda Eldardiry},
journal= {arXiv preprint arXiv:2011.07126},
year = {2021}
}
备注
10 pages, 8 figures, published in CIKM 2021