基于分段注意力匹配网络的跨领域少样本关系分类

戴尚峰，孙承杰，单丽莉，林 磊，刘秉权

(哈尔滨工业大学 计算机科学与技术学院，黑龙江 哈尔滨 150001)

0 引言

关系分类是自然语言处理中重要的研究内容，目的是从给定的句子中判断两个实体的关系类型。现有的关系分类任务多依赖于人工标注语料，不仅花费大量的人力和物力，而且由于标注成本高，存在着标注语料匮乏问题。远程监督的方法使用知识库对文本进行启发式标注，部分解决了标注语料匮乏问题，但是远程监督获得的语料存在噪声，并且知识库中的长尾分布问题在语料中同样存在，因此少样本关系分类任务被提出。在少样本关系分类任务中，模型需要在未训练过的关系类型上仅用极少数据进行关系分类。然而，在实际应用中，测试数据通常与训练数据来自不同的领域，这会导致模型在同领域测试数据上表现较好，而在不同领域测试数据上效果较差。针对上述问题，本文就跨领域少样本关系分类任务进行研究，模型需要进一步在不同领域的测试数据上进行少样本关系分类。

在当前的少样本关系分类方法中，以句子级别表示为主，这类方法首先编码句子向量，然后使用不同算法进行聚合和少样本关系分类，如Prototypical Network[1]、Graph Neural Network[2]等，但是预测性能均差强人意。这是因为基于句子级别表示的方法往往难以精确地通过一个向量表示句子信息，而基于单词级别表示的方法，可以更为细粒度地表示文本信息，如多层次匹配聚合网络MLMAN[3]，在少样本关系分类任务FewRel 1.0[4]上取得了较好的效果。……