HyperAIHyperAI
vor 17 Tagen

Ein relationsorientierter Clustering-Ansatz für die offene Relationsextraktion

Jun Zhao, Tao Gui, Qi Zhang, Yaqian Zhou
Ein relationsorientierter Clustering-Ansatz für die offene Relationsextraktion
Abstract

Die auf Clustering basierende, unsupervisierte Relationsentdeckungsmethode ist allmählich zu einer der zentralen Methoden der Open-Relation-Extraktion (OpenRE) geworden. Allerdings können hochdimensionale Vektoren komplexe sprachliche Informationen kodieren, was dazu führt, dass die abgeleiteten Cluster nicht explizit mit den semantischen Relationenklassen übereinstimmen. In dieser Arbeit stellen wir ein relationenorientiertes Clustering-Modell vor und nutzen es, um neue Relationen in ungelabelten Daten zu identifizieren. Konkret ermöglicht unsere Methode dem Modell, Relationen zu gruppieren, indem sie die leicht verfügbaren gelabelten Daten vordefinierter Relationen nutzt, um eine relationenorientierte Darstellung zu lernen. Wir minimieren die Distanz zwischen Instanzen derselben Relation, indem wir die Instanzen in Richtung ihrer jeweiligen Relationsschwerpunkte sammeln, um eine clustergerechte Struktur zu bilden, sodass die gelernte Darstellung clusterverträglich ist. Um den Clustering-Bias gegenüber vordefinierten Klassen zu reduzieren, optimieren wir das Modell durch Minimierung eines gemeinsamen Zielfunktionals sowohl auf gelabelten als auch auf ungelabelten Daten. Experimentelle Ergebnisse zeigen, dass unsere Methode die Fehlerquote im Vergleich zu aktuellen State-of-the-Art-Methoden auf zwei Datensätzen um 29,2 % bzw. 15,7 % senkt.