基于知识增强自适应原型网络的小样本关系分类.pdfVIP

第51卷第4期/2025年4月/计算机工程研究论文

基于知识增强自适应原型网络的小样本关系分类

张河萍1，方志军1*，卢俊鑫²，高永彬1

（1.上海工程技术大学电子电气工程学院，上海201620；2.华东师范大学计算机科学与技术学院，上海200241）

摘要：小样本关系分类(FSRC)是指在任务中使用少量标注实例对各种关系进行分类，可快速适用于对全新的

类别进行归类。然而，当测试域与训练域之间存在分布差异时，现有的小样本分类算法泛化能力有限，导致分类

性能下降。针对该问题，提出一种适用于领域适应任务的知识增强自适应原型网络。通过探索实例之间的联系

以提高模型的鲁棒性，同时学习关于关系的先验知识和内在语义以获得可解释原型。通过引人交互注意力机制

来捕捉支持实例与查询实例之间的相关性，突出关键实例，并生成交互实例。同时，自适应原型融合机制以关系

信息为锚点生成自适应混合系数，通过特征融合将实例与关系信息相结合，从而生成混合原型。在公开数据集

FewRel1.0和FewRel2.0上的实验结果验证了该网络的有效性。实验结果表明，与基线模型相比，所提网络模

型的分类准确率取得了显著提升,具有更好的分类效果与稳定性。

关键词：关系分类；小样本学习；小样本关系分类；原型网络；知识增强

中图分类号：TP391.1文献标志码：AD0l:10.19678/j.issn.1000-3428.0068855

Few-ShotRelationClassificationBasedonKnowledge-Enhanced

AdaptivePrototypeNetworks

ZHANGHeping,FANGZhijun*,LUJunxin’,GAOYongbin

(1.SchoolofElectronicsandElectricalEngineering,ShanghaiUniversityofEngineeringScience,Shanghai201620,China;

2.SchoolofComputerScienceandTechnology,EastChinaNormalUniversity,Shanghai20024l,China)

[Abstract]Few-ShotRelationClassification(FSRC)referstotheuseofasmallnumberoflabeledinstancesto

classifyvariousrelationswithinatask,anditcanbequicklyappliedtocategorizecompletelynewclasses.

However,existingfew-shotclassificationalgorithmsshowlimitedgeneralizationcapabilitieswhendistributional

differencesexistbetweenthetestandtrainingdomains,whichleadstosignificantperformancedegradation.

Therefore,aknowledge-enhancedadaptiveprototypingnetworkisproposedfordomainadaptationtasks,which

helpsimprovetherobustnessofthemodelbyexploringconnectionsbetweeninstanceswhilelearningapriori

knowledgeaboutrelationsandintrinsicsemanticstoobtaininterpretableprototypes.Specifically,t