摘要
关系抽取的典型方法是在特定任务数据集上微调大规模预训练语言模型，然后将输出分布中概率最高的标签作为最终预测结果。然而，对于给定样本的Top-k预测集合的利用常常被忽视。本文首次揭示了给定样本的Top-k预测集合中蕴含着有助于正确标签预测的有用信息。为有效利用Top-k预测集合，我们提出了一种基于Top-k预测集合的标签图网络，简称KLG。具体而言，针对每个样本，我们构建一个标签图，用于回顾Top-k预测集合中的候选标签，并学习这些标签之间的关联关系。同时，我们设计了一种动态k值选择机制，以学习更具表现力和判别性的关系表示。实验结果表明，KLG在三个关系抽取数据集上均取得了最优性能。此外，我们还观察到，KLG在处理长尾类别时表现出更强的适应能力。