admin管理员组

文章数量:1652183

知识点

  1. 了解few-shot learning: 理解1，理解2
  2. 欧式距离

Contribution

  1. We present multimodal social relation datasets, which can facilitate future research on multimodal SRE. 提出一个新数据集
  2. To leverage both texts and face images, we propose a novel approach FL-MSRE for SRE。为了同时利用文本和人脸，提出一个新方法FL-MSRE来进行社交关系识别
  3. Extensive experiments demonstrate that FL-MSRE is effective in SRE from texts and face images。实验顶

数据集构建

  1. 因为为图片数据集补充文本很困难，因此考虑为文本数据集补充图片。
  2. 句子：提取至少提到两个人的句子，并至少两个人支持
  3. 图片：提取至少包含两个人的 image
  4. 只保留细粒度的关系。如 family（no），father（yes）
  5. 最后将数据集分为三部分：DRC-TF（15 rels），OM-TF（9 rels），FC-TF（24 rels）。
  6. Every social relation is supported by multiple triples; every triple is supported by multiple pairs of face images about the two entities in the triple as well as by multiple sentences mentioning both the entities.

Model

  1. N way (relations) K shot (tupels) setting 来预测另外的 N tuples on the same N social relations
  2. 网络结构，前面简单的多模态特征抽取和拼接（text 特征用 bert 提取，人脸用facenet，最后两特征 concanate。可能没抄别人，自己提的），后面用的别人的网络（ prototypical network [Snell, Swersky, and Zemel 2017b)]，代码都一模一样）。
  3. Prototypical Network
    先计算关系 rm 的 prototype representation

    预测时，分别计算每个 query 和 rm 的欧式距离

实验

  1. 只有一个对比方法 BERT；分别在三个数据集上；4种 N way K shot

github代码

  1. loss和accuracy的计算参考论文: 《FewRel 2.0: Towards More Challenging Few-Shot Relation Classification》，Prototypical Network代码和这篇论文的代码一模一样。主要在于理解NOTA

本文标签： ShotLearningFLMSREBased

版权声明：本文标题：《FL-MSRE: A Few-Shot Learning based Approach to Multimodal Social RelationExtraction》 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dianzi/1729579048a1207381.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。