-
题名面向垂直领域上下文特性的少样本关系抽取方法
- 1
-
-
作者
任浩
李韧
杨建喜
肖桥
杨小霞
蒋仕新
王笛
-
机构
重庆交通大学信息科学与工程学院
-
出处
《中文信息学报》
北大核心
2025年第1期65-78,共14页
-
基金
国家自然科学基金(62003063)
重庆市自然科学基金(CSTB2023NSCQ-MSX0145)
重庆市教委科学技术研究项目(KJZD-M202300703)。
-
文摘
现有的少样本关系抽取解决方案主要基于通用领域语料,尚未充分考虑垂直领域中存在的长文本、关系重叠等问题,面对垂直领域上下文时其关系抽取性能有待提升。针对上述问题,该文以桥梁检测领域和医疗健康领域为背景,提出了一种面向垂直领域上下文特性的少样本关系抽取方法。该方法首先通过预训练语言模型RoBERTa_chinese_base对文本进行编码,再分别在双向长短时记忆网络(BiLSTM)和实体特征提取模块中进一步提取上下文特征和实体级特征,并在特征融合的基础上,通过原型网络进行关系预测。实验结果显示,该文方法在自建的桥梁检测领域数据集Bridge-FewRel上评测结果优于对比的基线模型。在中文医疗健康领域数据集TinyRel-CM的少样本关系抽取任务上,该文方法的大部分结果优于基线模型。同时,该文方法在公有领域数据集FewRel 1.0的5-way-5-shot和10-way-5-shot任务上也取得了有竞争力的结果。
-
关键词
少样本关系抽取
垂直领域
RoBERTa
原型网络
-
Keywords
few-shot relation extraction
domain-specific
RoBERTa
prototypical networks
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
