用于少镜头关系学习的神经雪球

摘要

知识图通常会经历新关系的开放式增长。关系提取侧重于具有足够训练数据的预定义关系，无法很好地处理这一问题。为了用较少的快照实例处理新关系，我们提出了一种新的自举方法，即神经雪球，通过传递现有关系的语义知识来学习新关系。更具体地说，我们使用关系连接性网络（Relational Siamese Networks，RSN）来学习基于现有关系及其标记数据的实例之间的关系相似性度量。然后，给定一个新的关系及其少量快照实例，我们使用RSN从未标记的语料库中积累可靠实例；这些实例用于训练关系分类器，从而进一步识别新关系的新事实。这个过程像滚雪球一样迭代进行。实验表明，我们的模型可以收集高质量的实例，以实现更好的少快照关系学习，并且与基线相比取得了显著的改进。代码和数据集发布于https://github.com/thunlp/Neural-Snowball。