本文提出了一种 SDP-LSTM 神经网络方法,并使用其进行语句中两个实体之间的关系分类,其相较于现有方法在 SemEval 2010 关系分类任务上获得了 83.7%的高 F1 值。
Aug, 2015
本文提出了一种新的架构 iDepNN,它可以通过循环和递归神经网络对最短和增强的依赖路径进行建模,以从跨句子的实体对中提取关系,并在新闻和医学领域的数据集上实现了最新技术的表现和更好的精度和召回的平衡,在 BioNLP 共享任务 2016 中胜过了 11 个参赛队伍,并获得了 5.2%的 F1 增益。
Oct, 2018
本文提出了一种基于图卷积网络的关系抽取模型,针对依存句法树存在的缺陷进行了改进,通过保留两个实体间最短路径周围的词语并采用并行化方法来高效地汇总任意依存句法结构中的信息,最终在大规模 TACRED 数据集上取得最先进的性能,且与序列模型互补,二者结合可以进一步提高性能。
Sep, 2018
本文针对语义角色标注提出了一种基于神经序列建模技术的新型模型,能够处理现有模型难以应对的复杂句法结构和相关现象,如嵌套的从属关系和名词谓语,该模型将这些实例视为词汇化依赖路径的子序列,并学习了适当的嵌入表示。我们通过实验证明,此类嵌入能够改善先前最先进的语义角色标注器的结果,展示了我们方法所获得的定性改进。
May, 2016
本文介绍了一种基于卷积神经网络学习最短依赖路径的有关句子中主语和宾语关系的语法特征,结合简单的负采样策略,在 SemEval-2010 Task 8 数据集上具有比现有方法更好的表现。
Jun, 2015
本文提出了一种基于推理链和神经网络模型的远程监督关系抽取方法,能够更好地利用包含目标实体之一的句子,并在真实数据集上取得显著的抽取性能提升。
Sep, 2016
提出了一种简单而有效的依赖树导向的 LSTM-CRF 模型,以对命名实体识别(NER)任务中的完整依赖树进行编码并捕捉其相关属性,从而显著提高 NER 和实现领先水平,并发现依赖关系和依赖树提供的长距离交互是其主要原因。
Sep, 2019
该研究提出了一种基于树的卷积神经网络模型,结合深度学习和语言结构,利用单词之间的各种长距离关系来提高情感分类和问题分类任务的准确性,并在 TREC 数据集上取得了最高的准确性。
Jul, 2015
本文介绍了一种基于最短依赖路径和卷积神经网络的方法,用于在科技论文中进行语义关系的提取和分类。该方法在任务中排名第三,对于干净数据和有噪声数据的关系分类整体 F1 得分分别为 76.7 和 83.2。此外,对于干净数据的综合关系提取和分类,它获得了 37.4 和 33.6 的 F1 得分。
Apr, 2018
本文提出深度递归神经网络(DRNNs)用于关系分类,并结合关系方向性提出数据增强方法,在 SemEval-2010 任务 8 上的实验中取得 86.1%的 F1 值,优于以往的记录成果。
Jan, 2016