Jan, 2014

基于网络的无监督对象和关系同义词确定方法

PDF
TL;DR本研究探讨了一种无监督信息提取场景下的同义词识别方法，它引入了可扩展的基于概率关系模型的 Resolver 系统，其在使用来自网络的两百万断言集进行测试时，对于确定同一对象和关系的任务，分别具有 78% 和 90% 的准确度和 68% 和 35% 的召回率，而且可以通过一些变化提高效果。此系统还扩展了处理多义名词的能力。
synonym resolutionunsupervised information extractionprobabilistic relational modelresolver systempolysemous names
发现论文，激发创造
  • CERES: 半结构化 Web 远程监督关系抽取

    本文提出了一种基于远程监督的半结构化网站自动提取方法，通过自动的结构对齐和标签生成获取足够完整的训练标记，再通过分类器预测新关系实例，实现了对知识库自动抽取的作用，取得了很好的实验效果。

    Apr, 2018

  • 利用世界知识奖励指代消解器的一致性

    通过将 coreference resolver 的输出输入 relation extraction 系统，根据其在知识库中的三元组进行奖励，使用多任务强化学习获得最佳性能，改善了 coreference resolver 的性能。

    Sep, 2019

  • 远程监督的词形句法模型用于关系抽取

    信息抽取任务涉及将非结构化文本内容自动转换为结构化数据。本文提出了一种从文本中提取和分类无限制关系集的方法，它基于远程监督方法获取的形态 - 句法抽取模式，并创建句法和语义索引来提取和分类候选图。我们在构建在 Wikidata 和 Wikipedia 上的六个数据集上评估了我们的方法。评估结果显示，我们的方法可以实现高达 0.85 的精确度得分，但召回率和 F1 得分较低。我们的方法可以快速构建基于规则的信息抽取系统，并构建注释数据集以训练基于机器学习和深度学习的分类器。

    Jan, 2024

  • 基于语义增强机制的关系抽取模型

    通过结合语义增强机制，本论文提出的 CasAug 模型能够解决关系抽取中的三元组重叠问题，提高关系抽取效果，并能更好地处理重叠问题和提取多个关系。

    Nov, 2023

  • 跨模态检索和综合的多模式关系抽取

    本研究提出了一种多模态关系抽取方法，通过检索对象、句子和整个图像的文本和视觉证据，综合考虑了同一和不同模态之间的信息，从而比现有的方法更准确地识别语义关系并显著提高了效果。

    May, 2023

  • 语义排序：个性化语义相关性的监督学习方法

    本文提出了一种基于主观注释的新型监督学习方法来学习统计句子相关性模型，该模型由大规模背景知识语料库中的文本单位关联的参数化共现统计信息组成，并提出了一种高效的算法来从相关性偏好的训练样本中学习语义模型，方法独立于语料库、适用于任何足够大的（非结构化）文本集合，并且可以为特定用户或用户组拟合语义模型。通过广泛的小到大规模实验结果表明，这种方法是有效的，竞争力强。

    Nov, 2013

  • 自然语言推理提升远程监督关系抽取

    本文提出了一种新的 DSRE-NLI 框架，该框架利用现有知识库的远程监督和预训练语言模型的间接监督，通过半自动关系语言表达机制为间接监督提供能量，进而巩固远程注释以便于多分类 RE 模型，并通过数据整合策略实现训练数据的质量提高，大量实验证明该框架显著提高了远程监督 RE 基准数据集的性能（高达 7.73％的 F1）

    Jul, 2022

  • DBpedia 中的语义相关性：比较性和实验性评估

    本文评估 Web 资源的语义相关性，集中讨论了基于知识的方法作为结构型方法的替代，主要依赖于知识图谱的可用性，通过对 10 个已有方法的选择以及它们的组织方式（邻接资源、三元组模式和三元组权重方法）进行实现和评估，通过使用 DBpedia 作为 RDF 知识图谱的参考，为了得到可比较的实验结果，这些方法被同时应用于相同的 DBpedia 版本和 14 个著名的黄金数据集，并根据实验结果与人类判断之间的相关性值，得出权衡 RDF 三元组和评估比较资源间的所有直接路径的组合策略是计算 DBpedia 语义相关性的最佳策略。

    Aug, 2023

  • 利用多段双向上下文匹配进行实体同义词发现

    该论文提出了一种多环境下的同义词发现框架，使用分布式假设和神经网络模型 SYNONYMNET，从自由文本语料库中检测出实体的同义词，以提高实体消歧或知识图谱规范化等任务的效果和稳健性。

    Dec, 2018

  • 视觉关系的弱监督学习

    本文介绍了一种新的建模视觉关系方法，设计了强大而灵活的视觉特征，提出了一种弱监督判别式聚类模型来从仅具有图像级标签的数据中学习关系，并引入了一个新的具有挑战性的数据集（UnRel）和详尽的注释，用于准备评估视觉关系检索。实验结果表明，本文提出的模型在视觉关系数据集上取得了显著的提高，并在新引入的 UnRel 数据集上验证了该观察结果的有效性。

    Jul, 2017