Fusion Makes Perfection: An Efficient Multi-Grained Matching Approach for Zero-Shot Relation Extraction

在关系抽取中，预测训练阶段中无法观察到的未知关系是一项具有挑战性的任务。以往的研究通过匹配输入实例和标签描述之间的语义来取得进展。然而，细粒度的匹配通常需要费力的手工注释，并且实例和标签描述之间的丰富交互会带来重大的计算开销。在本文中，我们提出了一种高效的多粒度匹配方法，使用虚拟实体匹配来减少手工注释成本，并融合粗粒度的召回和细粒度的分类，以保证推理速度。实验结果表明，我们的方法优于以往的最先进方法，并在零样本关系抽取任务中实现了推理效率和预测准确性之间的平衡。我们的代码可在 https://github.com/longls777/EMMA 上获得。

本论文旨在解决关系抽取中的一些问题，如fine-grained匹配需要大量手动注释和计算资源等，同时也试图在零样本关系抽取任务中取得平衡。

论文提出了一种高效的多粒度匹配方法，利用虚拟实体匹配来减少手动注释成本，并将粗粒度召回和细粒度分类融合起来，以保证推理速度。

论文提出的方法在零样本关系抽取任务中取得了比之前的SOTA方法更好的效果，并在推理效率和预测准确性之间实现了平衡。作者还提供了代码，可供使用。

近期的相关研究包括《FewRel: A Large-Scale Supervised Few-Shot Relation Classification Dataset with State-of-the-Art Evaluation》和《Open Relation Extraction: Relational Knowledge Transfer from Supervised Data to Unsupervised Data》等。