Improving Neural Relation Extraction with Implicit Mutual Relations
Jun Kuang, Yixin Cao, Jianbing Zheng, Xiangnan He, Ming Gao, Aoying Zhou
East China Normal University, Shanghai, National University of Singapore, University of Science and Technology of China
http://staff.ustc.edu.cn/~hexn/papers/icde20-NRE.pdf
关系抽取旨在从文本语料中抽取两个实体间的关系。关系抽取在构建知识图谱中起着至关重要的作用。
大多数现有方法预测实体对的关系依赖于从训练句子中来学习这种关系,这里的训练句子包含目标实体对。
远程监督方法的缺陷在于抽取关系没有充分的训练语料,作者们所提方法不同,该方法可以从大量无标签语料中挖掘隐含相互关系,它可以将实体对的语义信息转换为关系抽取模型,这种模型表达力更强,而且语义上可信。
基于隐含相互关系构建实体邻近图之后,作者们将图中的每个节点映射到低维空间中,同时能够保持实体对之间的语义关系。进而能够将隐含相互关系跟其他实体信息,比如实体类型,简单灵活的集成到现有实体关系抽取方法中。
作者们在纽约时报和谷歌远程监督数据集中进行了实验,结果表明,作者们所提出的神经关系抽取框架对关系抽取任务的效果带来客观的提升,显著优于STOA方法。此外,挖掘隐含相互关系比较灵活,该元素能够对基于CNN和基于RNN的关系抽取模型带来显著提升。
现在的问题主要在于样本不足,比如
另外一个问题即为噪声数据,比如
这篇文章的主要贡献在于
远程监督学习方法有一定的缺陷
目前基于神经编码的几种方法有以下几种
缓解噪声问题的方法有以下几种
比如注意力机制
强化学习也可以用于缓解噪声问题
此外,对抗学习也可以用于缓解噪声问题
这篇文章的网络结构如下