基于提示和度量学习的小样本地质关系抽取

摘要

地质领域研究正经历以构建新知识体系为核心、大数据为驱动的深刻变革。地质知识图谱的构建能够有效地解决在数据分散状态下的知识发现与推理受限等问题。关系抽取技术作为知识图谱构建的关键技术之一，在地质实体关系识别中发挥关键作用。传统关系抽取技术高度依赖大规模标注数据。然而地质领域中实体关系复杂且专业性强，人工标注数据耗时费力，致使大规模标注数据短缺。因此，传统关系抽取技术在地质领域的有效应用受限。针对上述困境，本研究提出基于原型网络的地质关系抽取小样本学习方法，创新性地引入增强提示学习机制，并通过对比学习优化实例表示和关系描述表示，显著地提升了原型代表性。同时，采用加权损失函数和困难任务辅助训练策略，增强模型对困难任务的关注度，有效地提高了整体准确率。实验结果表明，本文提出的模型在地质小样本关系抽取数据集的5way 1-shot场景下准确率达到82.16%,相比通用领域先进模型SimpleFSRE提升1.94%,相比原型网络Proto-BERT方法提升9.01%,验证了所提方法的有效性。

关键词

小样本学习 / 关系抽取 / 地质知识图谱 / 原型网络 / 提示学习