摘要
随着信息的爆炸式增长，从海量数据中提取出关键信息已经成为当下研究的热点。作为信息抽取中重要的子任务，关系抽取能够帮助分类文本实体之间的关系，服务于知识图谱构建、自动问答、知识推理等多个任务上，受到学术界和工业届的广泛关注。 传统的关系抽取方式主要基于模板或者特征工程，非常耗时耗力。随着深度学习的蓬勃发展，基于深度学习模型在大部分领域已经取得了超越传统抽取方法的良好效果，也是关系抽取目前的主流做法。但是基于深度学习的方法通常都需要构建大量均匀分布的训练数据，这样的条件在实际场中很难满足。 本文从零样本学习角度出发来尝试解决关系抽取中面临的上述问题。解决零样本学习的问题核心是构建两种联系:类别与类别之间的联系及类别与特征之间的联系。本文引入知识图谱中丰富结构化的信息来满足这两个需求。对于类别之间的联系，本文提出利用知识图谱嵌入和逻辑规则两种方式来构建;对于类别和特征之间的联系，本文通过将逻辑规则引入到特征构建过程中去加强。 最后，本文构建了一个零样本关系抽取的数据集，并在此数据集上进行了充分的实验对比和案例分析，证明本文提出的方法在零样本关系抽取任务上的合理性和有效性。
NETL