Improving Distantly-supervised Relation Extraction Through BERT-Base label and Instance Embedding
摘要
DS_RE是将RE扩展到大型语料库的有效方法,但会收到标签噪声影响。How to solve? 现在方法是试图通过多实例学习和提供额外的信息来减轻噪音,但识别最频繁的关系,会忽略长尾关系(这个目前很难处理,只有一个箭头)。
通过利用BERT的预训练模型,通过微调BERT来guide REDSandT 专注于关系令牌(实体对和实体类型);使用提取的信息向量,具体化标签嵌入,将其用作实例的注意力机制,来进一步减少噪声;最后,使用连接关系和实体嵌入来表示句子。
阈值,取决于问题,是个需要调整的值。
评估分类模型的指标的主要构成块,TP(真阳性),FP(误报),FN(假阴性),TN(真阴性)。准确性是模型正确预测的分数,accuracy=TP+TN/all (识别A的准确率)当使用类别不平衡的数据集时,准确性不能说明全部情况。
精度,precision=TP/(TP+FP) 横着(当他预测A的,有precision是正确的)一般提高分类阈值会减少误报,从而提高精度。
召