基于小样本学习的中文文本关系抽取方法OA
实体关系抽取作为文本挖掘和信息抽取的核心任务,是知识图谱构建过程中的关键一环。然而人工建立大规模有标签的数据耗时耗力。使用小样本学习来进行关系抽取,仅仅需要少量样本实例就能使模型学会区分不同关系类型的能力,从而缓解大量无标签数据带来的标注压力。本文对中文关系抽取数据集FinRE进行了重构使之适用于少样本学习,并引入了语义关系网络HowNet对实体进行更为精确的语义划分,并在此基础上使用双重注意力机制提高句子编码质量,从而提高了模型在面对噪声数据时…查看全部>>
季一木;张旺;刘强;刘尚东;洪程;邱晨阳;朱金森;惠岩;肖婉
南京邮电大学计算机学院,江苏南京210023 南京邮电大学高性能计算与大数据处理研究所,江苏南京210023 国家高性能计算中心南京分中心,江苏南京210023 南京邮电大学高性能计算与智能处理工程研究中心,江苏南京210023南京邮电大学计算机学院,江苏南京210023南京邮电大学计算机学院,江苏南京210023 南京邮电大学高性能计算与大数据处理研究所,江苏南京210023南京邮电大学计算机学院,江苏南京210023 南京邮电大学高性能计算与大数据处理研究所,江苏南京210023 国家高性能计算中心南京分中心,江苏南京210023 南京邮电大学高性能计算与智能处理工程研究中心,江苏南京210023南京邮电大学计算机学院,江苏南京210023南京邮电大学计算机学院,江苏南京210023南京邮电大学计算机学院,江苏南京210023南京邮电大学计算机学院,江苏南京210023南京邮电大学高性能计算与大数据处理研究所,江苏南京210023 南京邮电大学教育科学与技术学院,江苏南京210023
计算机与自动化
小样本学习关系抽取BERTHowNet注意力机制
《南京邮电大学学报:自然科学版》 2023 (4)
P.64-71,8
国家重点研发计划(2018AAA0103300,2018AAA0103302)江苏省重点研发计划(SBE2023020143)中电鸿信信息科技有限公司合作项目江苏省自然科学基金(BK20170900)江苏省高校自然科学研究重大项目(19KJB520046,20KJA520001)江苏省创新创业人才项目江苏博士后基金(2019K024)江苏省博士后研究实践创新项目(KYCX19_0921,KYCX19_0906)南京邮电大学鼎山人才培养对象项目南京邮电大学引进人才科研启动基金(NY219132)资助项目。
评论