Mar, 2016

通过关系抽取和文本证据在 Freebase 上进行问答

PDF
TL;DR本文提出一种从 Wikipedia 中提取证据丰富的关系抽取器，通过使用神经网络构建的关系提取器并结合 Wikipedia 进行验证，本方法成功地解决了现有知识型问答系统数据不足、缺乏表达力和无法回答多重约束问题等问题，并在 WebQuestions 问答数据集上取得了 53.3% 的 F1 值，比现有最先进的方法有了显著提升。
knowledge-based question answering systemsrelation extractionsemantic parsingneural networkwikipedia
发现论文，激发创造
  • 用嵌入模型连接语言和知识库进行关系提取

    本文提出一种新方法用于从自由文本中提取关系，该方法通过从知识库中学习单词和实体关系的低维嵌入来联合使用文本和现有知识信息，实验证明该方法能够有效地利用大量 Freebase 数据 (4M 实体、23k 关系) 提供的额外信息来改善仅依赖于文本特征的现有方法。

    Jul, 2013

  • 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

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022

  • 无监督开放式关系抽取

    在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

    Jan, 2018

  • 简单有效的半监督问答

    本研究提出一种利用基础文档和少量标注数据进行深度学习提取式问答的方法，并通过对三个不同领域数据集的实验验证了其有效性。

    Apr, 2018

  • 利用知识图谱嵌入增强关系抽取的上下文表示

    本论文使用预训练的知识图谱嵌入模型，结合文本语料库的句子级上下文表示，实现了较高性能的关系抽取模型，并通过实验验证了该方法的有效性和出色性能。

    Jun, 2023

  • FREDA: 灵活的关系抽取数据标注

    本研究提出了一种方法，以便快速生成高质量数据集用于关系抽取任务，并训练神经模型以对所创建的数据集进行关系抽取来实现很好的结果，并广泛适用于其他数据集。研究中，我们能够在合理的时间内注释 10,022 个句子的 19 种关系，并为每种关系训练一个常用的基线模型。

    Apr, 2022

  • 知识库问答中改进的神经关系检测

    本文提出了一种通过层级循环神经网络和残差学习的知识库关系检测方法，并结合实体链接技术实现了简单问题和复杂问题的全新的知识库问答系统。实验结果表明，该方法检测性能优异且能够帮助问题回答系统取得最佳准确度。

    Apr, 2017

  • MIT 在 SemEval-2017 Task 10 中使用卷积神经网络进行关系提取

    本文介绍了一种基于卷积神经网络的系统，用于提取科学文章中的关系，其基于人工神经网络进行关系提取的方法近期得到了研究。该模型在 SemEval-2017 任务 10（ScienceIE）中的科学文章关系提取（子任务 C）中排名第一。

    Apr, 2017

  • 使用问答对进行关系抽取的间接监督

    本篇论文介绍了一种基于 QA 数据集的间接标注来降低 DS 数据产生噪声的新方法 ReQuest，并使用学习到的嵌入估计测试关系提及的类型。实验结果在两个公共关系提取数据集上相结合以 TREC QA 数据集，F1 得分平均提高了 11％。

    Oct, 2017