基于阅读理解的零样本关系抽取
计算与语言
2017-06-14 v1 人工智能
机器学习
摘要
我们表明，通过将一个或多个自然语言问题与每个关系槽相关联，关系抽取可以转化为回答简单的阅读理解问题。这种转化具有几个优势：我们可以 (1) 通过扩展最近的神经阅读理解技术来学习关系抽取模型，(2) 通过结合特定关系的众包问题与远程监督，为这些模型构建非常大的训练集，甚至可以 (3) 通过抽取仅在测试时指定的新关系类型进行零样本学习，而我们没有这些类型的标注训练样本。在 Wikipedia 槽填充任务上的实验表明，该方法能够以高精度泛化到已知关系类型的新问题，并且以较低的精度实现向未见关系类型的零样本泛化，为该任务的未来工作设定了基准。
引用
@article{arxiv.1706.04115,
title = {Zero-Shot Relation Extraction via Reading Comprehension},
author = {Omer Levy and Minjoon Seo and Eunsol Choi and Luke Zettlemoyer},
journal= {arXiv preprint arXiv:1706.04115},
year = {2017}
}
备注
CoNLL 2017