基于双路径引入的增强原型网络小样本关系分类方法

摘要

小样本关系分类使用极为有限的标记数据来训练模型，用于预测以前从未见过的句子中实体对之间的关系。目前大多数研究利用隐式引入和显式引入方法，来引入外部信息增强原型网络。这些方法可能会增加模型参数或者学习过多冗余信息，出现模型过拟合以及无法充分学习有效信息的问题。为了解决这些问题，提出了一种基于隐式引入和显式引入相结合的增强原型网络。通过将2种引入方式相结合，实现了2种引入方式的互相约束，充分发挥两者优势。一方面，该模型通过隐式引入使原型充分学习外部信息中的上下文信息，增强原型的特征表示；另一方面，通过显式引入直接增强原型表示，避免模型过拟合。提出的模型在FewRel数据集上进行了全面的实验，实验结果表明，与对比模型相比，提出的模型具有更优越的性能。

关键词

关系分类 / 小样本学习 / 外部信息 / 原型网络