基于动态损失函数的远程监督关系抽取

被引：9

作者：

彭正阳 ^{[1
,2
]}

吕立 ^{[2
]}

于碧辉 ^{[2
]}

机构：

[1] 中国科学院大学

[2] 中国科学院沈阳计算技术研究所

来源：

小型微型计算机系统 | 2021年 / 42卷 / 02期

关键词：

信息抽取; 关系抽取; 远程监督; 动态损失函数;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

摘要：

关系抽取是信息抽取的主要任务之一,远程监督作为关系抽取中的一种有效的方法,已成功地应用于包含上千关系的大型语料库.然而,远程监督造成的错误标注会影响关系抽取的性能.为了缓解这一问题,现有的远程监督关系抽取方法选择每个实体对中一个最好的句子或通过注意力机制赋予每个句子不同的权重.但这些方法并不能完全解决错误标注的问题.本文提出了一种新的方法来寻找错误标注或简单的实例,并通过动态改变损失函数的方式来降低它们在批量梯度下降中的权重.在NYT-Freebase公共数据集上的实验结果表明,本文提出的方法优于基线方法,能够有效提高远程监督关系抽取的准确率.

引用

页码：251 / 255

页数：5

共 6 条

[1] 基于带噪观测的远监督神经网络关系抽取 [J].

叶育鑫 ;

薛环 ;

王璐 ;

欧阳丹彤 .

软件学报, 2020, 31 (04) :1025-1038

[2] 基于深度学习的关系抽取研究综述 [J].

庄传志 ;

靳小龙 ;

朱伟建 ;

刘静伟 ;

白龙 ;

程学旗 .

中文信息学报, 2019, (12) :1-18

[3] 基于卷积循环神经网络的关系抽取 [J].

宋睿 ;

陈鑫 ;

洪宇 ;

张民 .

中文信息学报, 2019, 33 (10) :64-72

[4]

Kernel Methods for Relation Extraction. [J] . Dmitry Zelenko,Chinatsu Aone,Anthony Richardella.&nbsp&nbspJournal of Machine Learning Research . 2003

[5]

Modeling relations and their mentions w ithout labeled text .2 Sebastian Riedel,Yao Li-min,Andrew Mc Callum. Joint European Conference on M achine Learning and Know ledge Discovery in Databases . 2010

[6]

Relation Classification via Convolutional Deep Neural Network .2 Zeng D,Liu K,Lai S,et al. International conference on computational linguistics . 2014

← 1 →