重新审视远程监督关系抽取中的负样本数据

远程监督（Distant Supervision）能够自动为关系抽取任务生成大量训练样本，但同时也带来了两个主要问题：标签噪声和训练数据不平衡。以往的研究更多关注于减少错误标注的关系（即假阳性），而较少探讨由于知识库不完整所导致的关系缺失问题（即假阴性）。此外，在以往的问题设定中，负样本的数量远远超过正样本。本文首先对负样本所引发的上述挑战进行了全面分析；随后，将关系抽取问题重新建模为正样本-未标注样本学习（Positive Unlabeled Learning）任务，以缓解假阴性问题；第三，提出一种名为 \textsc{ReRe} 的流水线方法，该方法先进行句子级关系检测，再进行主体/客体抽取，从而实现高效的样本利用。实验结果表明，所提出的方法在各项指标上均显著优于现有方法，即使在大量假阳性样本的干扰下，仍能保持优异的性能。