关系分类(RC)是文本知识提取中的一项重要任务,数据驱动的方法似乎具有更高的性能,但它严重依赖于大量标记的训练数据。 近年来,许多少样本RC模型被提出,并在通用领域数据集上取得了良好的效果,但当适应特定领域(例如医学)时,其性能显着提高。 本文提出了一种用于领域适应任务的知识改进少样本RC模型(KEFDA),它将通用知识图和特定领域知识图集成到RC模型中,以提高其领域适应能力。 借助概念级知识图谱,该模型可以更好地理解文本语义,并有助于从少数实例中总结关系类型的全局语义。 更重要的是,作为一种元信息,利用知识图谱的方法可以从现有任务转移到新任务,甚至跨领域。 具体来说自适应网站模板案例,我们设计了一个用于实例匹配的知识增强原型网络和一个用于隐式关系匹配的关系元学习网络。 这两个评分函数结合起来可以推断新实例的关系类型。 FewRel 2.0 基准上的领域适应挑战的实验结果表明,我们的方法显着优于最先进的模型(平均 6.63%)。
专业知识,轻松查看
为了方便下载,请关注准知公众号(点击上方红色准知即可关注)
专业知识自适应网站模板案例,专业可信的人工智能知识分发,让认知协作更快更好! 欢迎注册登录Expertise,获取5000+人工智能主题实用知识资料!
欢迎来到陌陌扫描二维码加入专家人工智能知识星球群,获取最新AI专业知识教程资料并与专家交流咨询!