echarts做企业关系图谱_知识图谱与GCN结合起来针对长尾样本做远程监督关系抽取（NAACL-2019）...

Long-tail Relation Extraction via Knowledge Graph Embeddings and Graph Convolution Networks

https://www.aclweb.org/anthology/N19-1306/​www.aclweb.org

论文发表在NAACL-2019上

这篇论文的遗憾就是没能要来源码啊～

我觉得现阶段，大部分远程监督工作主要解决的问题就是两个

• 样本噪声问题，因为采用自动对齐知识图谱标注，所以有些样本的label就是错误的。感觉解决噪声的工作相对样本不平衡的要多。
• 样本不平衡或者是long tail问题，比如NYT数据集中，有很多NA标签的样本，还有很多关系样本出现的次数特别少。

这篇论文比较好的地方：

• 在利用关系的依赖这个信息上，能够利用外部知识来“pretrain” relation embedding，等于加入了先验信息。
• 层级attention的构造上面，也进行了改进，在层级representation的拼接上面也加了attention。
• 实验做的很充分。

abstract

We propose a distance supervised relation extraction approach for long-tailed, imbalanced data which is prevalent in real-world settings.

很显然，看名字也知道是解决long tail问题的。

Inspired by the rich semantic correlations between classes at the long tail and those at the head, we take advantage of the knowledge from data-rich classes at the head of the distribution to boost the performance of the data-poor classes at the tail.

也是利用关系之间的依赖来解决问题的，就是想用相关的data-rich classes，来增强long tail classes。

就主要看看这篇工作是怎么引用和对比下面这篇文章的。

造轮子：coarse to fine & 分层RE​zhuanlan.zhihu.com

First, we propose to leverage implicit