L（左）收入C上下文或N个艾姆斯？A类n个E类经验的S公司继续学习N个欧拉的R（右）兴高采烈E类萃取

郝鹏,天宇高,徐涵,林彦凯,李鹏,刘志远,孙茂松,周杰（音译）

摘要
神经模型在关系提取（RE）基准测试方面取得了显著的成功。然而，目前尚不清楚文本中的哪些信息会影响现有RE模型的决策，以及如何进一步提高这些模型的性能。为此，我们实证研究了文本中两个主要信息来源的作用：文本上下文和实体提及（名称）。我们发现（i）虽然上下文是支持预测的主要来源，但RE模型也严重依赖实体提及的信息，其中大多数是类型信息，并且（ii）现有数据集可能通过实体提及泄漏浅层启发式，从而有助于RE基准的高性能。基于这些分析，我们提出了一个实体屏蔽的RE对比预训练框架，以加深对文本上下文和类型信息的理解，同时避免死记硬背实体或在提及中使用表面线索。我们进行了大量实验来支持我们的观点，并表明我们的框架可以提高神经模型在不同RE场景中的有效性和鲁棒性。所有代码和数据集发布于https://github.com/thunlp/RE-Context-or-Names网址.
选集ID：
2020.emnlp-main.298年
体积：
2020年自然语言处理实证方法会议记录
月份：
十一月
年份：
2020
地址：
在线的
编辑：
邦妮·韦伯,特雷弗·科恩,何玉兰,杨柳
地点：
EMNLP公司
SIG公司：
出版商：
计算语言学协会
注：
页：
3661–3672
语言：
网址：
https://aclantology.org/2020.emnlp-main.298
内政部：
10.18653/v1/2020.emnlp-main.298
比比键：
引用（ACL）：
郝鹏、高天宇、徐涵、林彦凯、李鹏、刘志远、孙茂松和周杰。2020从上下文或名称中学习？神经关系提取的实证研究.英寸2020年自然语言处理实证方法会议记录，第3661–3672页，在线。计算语言学协会。
引用（非正式）：
从上下文或名称中学习？神经关系提取的实证研究（Peng等人，EMNLP 2020）
复制引文：
PDF格式：
https://aclantology.org/2020.emnlp-main.298.pdf
可选补充材料：
2020.emnlp-main.298.可选补充材料.zip
视频：
 https://slideslive.com/38938855
代码
thunlp/RE-上下文或名称
数据
少量Rel, FewRel 2.0版, 2010年第6学期任务8, TACRED（目标）
PDF格式 引用 搜索 代码 可选补充材料 视频