ブランクの一致：関係学習のための分布的類似性

汎用関係抽出器は、任意の関係をモデル化することができ、情報抽出の主要な目標となっています。これまで、既存の知識グラフの表面形や関係を共同で埋め込むことによって、汎用的な抽出器を構築する試みが行われてきました。しかし、これらのアプローチは一般化能力に制限があります。本論文では、ハリスの分布仮説の関係への拡張と、最近のテキスト表現学習（特にBERT）の進歩に基づいて、エンティティリンクされたテキストからタスク非依存型の関係表現を構築します。我々は、これらの表現がそのタスク（FewRel）の訓練データを使用せずに例示に基づく関係抽出において従来の研究を大幅に上回ることを示します。また、我々が提供するタスク非依存型表現で初期化され、その後監督付き関係抽出データセットで微調整されたモデルがSemEval 2010 Task 8, KBP37, およびTACREDにおいて従来の手法を大幅に上回ることも示しています。