Die Vervollständigung von Lücken: Distributive Ähnlichkeit für das Relationserlernen

Allgemeine Relationsextraktoren, die beliebige Beziehungen modellieren können, sind ein zentrales Anliegen im Bereich der Informationsextraktion. Es wurden Bemühungen unternommen, allgemeine Extraktoren zu entwickeln, die Beziehungen durch ihre Oberflächenformen darstellen, oder die Oberflächenformen mit Beziehungen aus einem bestehenden Wissensgraphen gemeinsam einbetten. Jedoch sind beide Ansätze in ihrer Fähigkeit zur Generalisierung begrenzt. In dieser Arbeit bauen wir auf Erweiterungen der von Harris formulierte distributiven Hypothese für Beziehungen sowie auf jüngste Fortschritte beim Lernen von Textrepräsentationen (speziell BERT) auf, um taskspezifisch agnostische Relationenrepräsentationen ausschließlich aus entitätsverlinktem Text zu erstellen. Wir zeigen, dass diese Repräsentationen das vorangegangene Arbeiten bei beispielbasierten Relationsextraktion (FewRel) erheblich übertreffen, selbst ohne irgendeine der Trainingsdaten dieses Aufgabensatzes zu verwenden. Darüber hinaus demonstrieren wir, dass Modelle, die mit unseren taskspezifisch agnostischen Repräsentationen initialisiert und dann an überwachten Relationsextraktionsdatensätzen angepasst werden, die bisherigen Methoden bei SemEval 2010 Task 8, KBP37 und TACRED erheblich übertreffen.