论文笔记整理:申时荣,东南大学博士生。
来源:ICML 2020
链接:http://arxiv.org/abs/2007.02387
一、介绍
本文研究了少样本关系提取,旨在通过训练每个关系少量带有标记示例的句子来预测句子中一对实体的关系。为了更有效地推广到新的关系,在本文中,我们研究了不同关系之间的相关性,并提出利用全局关系图。我们提出一种新颖的贝叶斯元学习方法,以有效地学习关系原型向量的后验分布,其中原型向量的初始先验是通过全局关系图上的图神经网络进行参数化的。此外,为了有效地优化原型向量的后验分布,我们建议使用与MAML算法有关但能够处理原型向量不确定性的随机梯度Langevin动力学。可以以端到端的方式有效,高效地优化整个框架。在两个基准数据集上进行的实验证明了我们提出的方法在少样本和零样本设置下针对竞争基准的有效性。
二、问题定义
少样本关系抽取是许多研究领域的重要任务,其目的在于只给定少量标注样本的前提下预测给定句子的两个实体之间的关系。但是&