论文浅尝 | 利用常识知识图增强零样本和少样本立场检测

笔记整理：张嘉芮，天津大学硕士

链接：https://aclanthology.org/2021.findings-acl.278.pd

动机

传统的数据驱动方法不适用于零样本和少样本的场景。对于人类来说，常识知识是理解和推理的关键因素。在没有标注数据和用户立场的隐晦表达的情况下，引入常识性的关系知识作为推理支持，可以进一步提高模型在零样本和少样本场景下的泛化和推理能力。

亮点

本文的亮点主要包括：

(1)从外部结构知识库ConceptNet引入常识知识

(2)引入了一个基于图卷积网络的常识知识增强模块，利用关系子图的结构层和语义层信息，可以进一步增强模型的泛化和推理能力。

模型

问题定义：

形式上，表示包含N个样本的零样本立场检测数据集，其中  为文档，  为对应主题，  为立场标签。该任务的目标是获得给定