本文轉(zhuǎn)載自公眾號：浙大KG。? ??

---

論文題目：Bridging Text and Knowledge with Multi-Prototype Embedding for Few-Shot Relational Triple Extraction

本文作者：余海陽

發(fā)表會議：COLING 2020

論文鏈接：https://person.zju.edu.cn/person/attachments/2020-10/01-1602383274-838948.pdf

監(jiān)督學習下的關系三元組抽取方法需要大量的標注數(shù)據(jù)，訓練樣本少時性能較低。而人類可以在有限的監(jiān)督樣本下了解新的概念，通過學習少量實例來掌握新知識。為此，我們開始研究尚未得到充分理解的少樣本關系三元組抽取任務。與以前的單任務下少樣本學習問題不同，關系三元組由于實體和關系之間的隱式關聯(lián)關系而更具挑戰(zhàn)性。

關系三元組抽取任務是自然語言處理和知識圖譜中重要的基礎任務，該任務的目標是對于無結(jié)構(gòu)化的文本預料中識別出實體對以及實體對之間的關系。這種三元組形式的知識存儲方式，對于下游如知識問答、閱讀理解等任務都有幫助。

目前的關系三元組抽取主要為監(jiān)督學習的方式訓練模型，需要大量的人工標注的訓練樣本，費時費力。而我們可以只在了解很少量的樣本后就可以學習到新的知識，由此下少樣本學習的研究對于關系三元組也極為重要。

對于少樣本關系三元組抽取任務而來，我們有兩個數(shù)據(jù)集meta data和test data，每個數(shù)據(jù)集包括的樣本形式為(x,t)，其中x為文本語料，t為句中抽取到的關系三元組。仿照少樣本學習N-way K-shot設定，由于實體對的類別可以被關系類別約束，比如 Born_in關系約束頭實體類別為PERSON以及尾實體類別為LOCATION，因此我們通過關系的類別決定三元組的分類。具體任務設定如下示意圖：

在本文中，我們提出了一種新穎的多原型嵌入網(wǎng)絡模型（MPE Net），聯(lián)合抽取關系三元組的兩個組成部分，即實體對和對應關系。具體來說，我們設計了一種混合的原型學習機制，該機制將有關實體與關系的文本、知識橋接在一起，從而讓模型學習過程注入實體和關系之間的隱式關聯(lián)。此外，我們提出了一種原型感知的正則化方法，使得模型學習原型的過程更有效率且更具有代表性。

我們通過重構(gòu) FewRel 數(shù)據(jù)集滿足我們的實驗設定，并對比了一些少樣本學習的模型學習方法。實驗結(jié)果表明了我們模型的有效性。同時我們發(fā)現(xiàn)目前抽取性能偏低主要由于實體對抽取的低效。我們進一步具體分析了實體對抽取的錯誤結(jié)果，并總結(jié)了三種主要的錯誤原因。

總體而言，這篇文章研究工作的主要貢獻包括：

（1）探索研究少樣本關系三元組抽取任務，并提出多原型嵌入網(wǎng)絡模型將文本與知識橋接已注入實體與關系的隱式關聯(lián)。實驗結(jié)果表明，所提出的方法可以提高抽取性能。

（2）關系三元組抽取的實驗結(jié)果中，實體對的抽取性能遠遠低于關系抽取的性能，如何進一步增強實體學習的效率是我們下一步需要探索的方向。

? ?

浙江大學知識引擎實驗室

?

---

?

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數(shù)據(jù)的開放與互聯(lián)，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結(jié)

以上是生活随笔為你收集整理的论文浅尝 - COLING2020 | 桥接文本和知识的多原型嵌入在少样本关系三元组抽取中的研究...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。