RelationPrompt: Die Nutzung von Prompts zur Generierung synthetischer Daten für die Zero-Shot-Extraktion von Relationstrippeln

Trotz der Bedeutung der Relationsextraktion bei der Erstellung und Darstellung von Wissen wird weniger Forschung auf die Verallgemeinerung auf unbekannte Relationstypen gerichtet. Wir führen das Aufgabensetting der Zero-Shot-Relationstriplextraktion (ZeroRTE) ein, um weitere Forschung zu Methoden der Relationsextraktion mit geringen Ressourcen zu fördern. Bei einem Eingabetext besteht jedes extrahierte Triplet aus dem Kopfentity, dem Relationstyp und dem Schwanzentity, wobei der Relationstyp während des Trainings nicht gesehen wurde. Um ZeroRTE zu lösen, schlagen wir vor, Relationsexemplare durch das Anregen von Sprachmodellen zur Generierung strukturierter Texte zu synthetisieren. Konkret vereinen wir Sprachmodellanreize und Ansätze für strukturierte Texte, um eine strukturierte Vorlagenvoranfrage für die Generierung synthetischer Relationsbeispiele unter Berücksichtigung von Relationstypvoranfragen (RelationPrompt) zu entwerfen. Um die Beschränkung bei der Extraktion mehrerer Relationstriples in einem Satz zu überwinden, entwickeln wir eine neuartige Triplet-Suchdekodierungsmethode. Experimente mit den Datensätzen FewRel und Wiki-ZSL zeigen die Effektivität von RelationPrompt für die ZeroRTE-Aufgabe sowie für die Zero-Shot-Relationsklassifikation. Unser Code und unsere Daten sind unter github.com/declare-lab/RelationPrompt verfügbar.