论文复现—1—A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction

论文阅读笔记在笔记本上，整体流程在笔记本上做推导，不在电子版存稿了。较为简单。

数据加载：

我设置5-way-5-shot.
pid2name:描述了relation的name和relation description。

报错提示：显卡不够。

我感觉，作者在fewrel数据集上做的实验，更多是为了测试领域迁移下 ，模型的性能。

在一些其他小样本数据集上的实验，可能是真的N -way-k-shot，和fewrel数据集还是有较大不同的```


然后降低了实验数据量，在实验设置中，将以下参数做出调整为：

```c
parser.add_argument('--trainN', default=1, type=int,
            help='N in train')#10
    parser.add_argument('--N', default=5, type=int,
            help='N way')
    parser.add_argument('--K', default=1, type=int,
            help='K shot')
    parser.add_argument('--Q', default=1, type=int,
            help='Num of query per class')#5

实验结果

实验结果记录如下：

step: 2000 | loss: 0.313262, accuracy: 100.00%
Use val dataset
[EVAL] step: 1000 | accuracy: 43.38%
Best checkpoint
step: 4000 | loss: 0.313262, accuracy: 100.00%
Use val dataset
[EVAL] step: 1000 | accuracy: 37.33%
step: 6000 | loss: 0.313262, accuracy: 100.00%
Use val dataset
[EVAL] step: 1000 | accuracy: 34.91%
step: 8000 | loss: 0.313262, accuracy: 100.00%
Use val dataset
[EVAL] step: 1000 | accuracy: 35.69%
step: 10000 | loss: 0.313262, accuracy: 100.00%
Use val dataset
[EVAL] step: 1000 | accuracy: 39.12%
step: 12000 | loss: 0.313262, accuracy: 100.00%

可以明显观察到的是，loss没有在下降。对于实验结果，我持一定的怀疑态度，但作者在git中又给出了训练好的模型。这，，让我，还是有点怀疑…