原标题：Unsupervised Open Relation Extraction论文笔记

原文来自：CSDN      原文链接：https://blog.csdn.net/weixin_40400177/article/details/103120946

Unsupervised Open Relation Extraction

文中提出了全新的对word embedding的re-weight的方式
并且对于稀疏的word features的reduction。

Introduction

distant supervision不能够捕获一些未在已知数据库中出现的关系类型。
unsupervised methods有可能克服这些问题。因此作者提出unsupervised 方法

Proposed Method

• 基于两个named entity的类型以及决定关系的短语来构建sentence representation

• 对于决定关系的短语，根据两个entity之间的 dependency path 使用 re-weight 之后的 word representation。

• 这些representation将被聚类

• 模型被分为4个步骤:

• Preprocessing

• Feature Extraction （对应得到Entity Features, Sentence Features)

• Sparse Feature Reduction (对应PAC降维)

• Relation Clustering (HAC Clustering)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oa3uexpx-1574055571414)(evernotecid://D5FFD04A-3038-43CF-94CF-E8020F37C28F/appyinxiangcom/19325391/ENResource/p253)]

Preprocessing

• 使用DBpedia Spotlight抽取named entity

• assumption：一个句子中至少有两个entity

• 使用Stanford CoreNLP 来进行dependency path tree的抽取

Feature Extraction

对于每个句子，Feature包括：

• realtion type

• dependency path between entities

• word embedding

由于不是每个word都equally contribute to expression of relation.于是作者提出将pre-trained word emebdding re-weight一下（这个方法和 update词向量 的对比？）

Sparse Feature Reduction

在supervised的训练过程中不用担心feature的问题，因为都是算法在训练数据集上自己抽取出来的额，而在unsupervised learning的过程中需要注意feature稀疏的问题，因此使用了PAC来对feature进行一个抽取（在merge之前）

Relation Clustering

使用了HAC， criteria是Ward’s linkage criteria.

Evaluation

Table 1: Comparison between di↵erent features for clustering.

Table 2: Pairwise F1 (%) scores of di↵erent models on the test set of the NYT-FB dataset.

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com