2023⁃08⁃10计算机应用,JournalofComputerApplications2023,43(8):2426-2430ISSN1001⁃9081CODENJYIIDUhttp：//www.joca.cn基于负训练和迁移学习的关系抽取方法陈克正1，2，郭晓然3，钟勇1，2*，李振平1，2（1.中国科学院成都计算机应用研究所，成都610213；2.中国科学院大学计算机科学与技术学院，北京100049；3.西北民族大学数学与计算机科学学院，兰州730124）（∗通信作者电子邮箱zhongyong@casit.com.cn）摘要：远程监督是关系抽取任务中常用的数据自动标注方法，然而该方法会引入大量的噪声数据，从而影响模型的表现效果。为了解决噪声数据的问题，提出一种基于负训练和迁移学习的关系抽取方法。首先通过负训练的方法训练一个噪声数据识别模型；然后根据样本的预测概率值对噪声数据进行过滤和重新标注；最后利用迁移学习的方法解决远程监督存在的域偏移问题，从而进一步提升模型预测的精确率和召回率。以唐卡文化为基础，构建了具有民族特色的关系抽取数据集。实验结果表明，所提方法的F1值达到91.67%，相较于SENT（SentenceleveldistantrelationExtractionviaNegativeTraining）方法，提升了3.95个百分点，并且远高于基于BERT（BidirectionalEncoderRepresentationsfromTransformers）、BiLSTM+ATT（Bi-directionalLongShort-TermMemoryAndAttention）、PCNN（PiecewiseConvolutionalNeuralNetwork）的关系抽取方法。关键词：远程监督；负训练；知识图谱；关系抽取；迁移学习；自然语言处理中图分类号：TP391.1文献标志码：ARelationextractionmethodbasedonnegativetrainingandtransferlearningCHENKezheng1，2，GUOXiaoran3，ZHONGYong1，2*，LIZhenping1，2（1.ChengduInstituteofComputerApplication，ChineseAcademyofSciences，ChengduSichuan610213，China；2.SchoolofComputerScienceandTechnology，UniversityofChineseAcademyofSciences，Beijing100049，China；3.SchoolofMathematicsandComputerScience，NorthwestMinzuUniversity，LanzhouGansu730124，China）Abstract:Inrelationextractiontasks，distantsupervisionisacommonmethodforautomaticdatalabeling.However，thismethodwillintroducealargeamountofnoisydata，whichaffectstheperformanceofthemodel.Inordertosolvetheproblemofnoisydata，arelationextractionmethodbasedonnegativetrainingandtransferlearningwasproposed.Firstly，anoisydatarecognitionmodelw...
