EMNLPMar, 2016

通过强化学习获取外部证据以提高信息提取能力

PDF
TL;DR本文研究了在训练数据稀缺的情况下，通过获取和整合外部证据来提高信息提取系统的准确性的任务，并利用增强学习框架实现优化操作以提高精度的深度 Q 网络，在枪击事件和食品欺诈案件等两个数据库中实现了显著的性能提升。
发现论文，激发创造
  • 任务导向的强化学习查询重构

    介绍了一种基于神经网络的查询重构系统，使用强化学习训练神经网络，动作是选择术语以建立重构查询，回报是文档召回率，我们在三个数据集上评估了我们的方法，相对 Recall 方面有 5-20% 的改进。此外，我们提供了一种简单方法来估算模型在特定环境中的保守上限性能，并验证存在很大的改进空间。

    Apr, 2017

  • 基于知识引导的强化学习开放属性值提取

    利用知识图谱引导的强化学习框架，对开放属性值提取任务进行了研究，结果表明该方法在不同的信息提取系统中都优于基准线 16.5 - 27.8％。

    Oct, 2020

  • 基于深度强化学习的自适应有序信息提取

    本研究提出一种基于强化学习的自适应有序信息提取框架，能够动态生成最佳提取顺序，并采用一种基于强化学习的协同训练框架来缓解提取器训练阶段的曝光偏差，并通过多个公共数据集的广泛实验表明，我们提出的方法能够击败以前的方法，特别是对于复杂的信息提取任务。

    Jun, 2023

  • 利用外部上下文检索和协同学习提升命名实体识别

    本文提出使用搜索引擎检索并选择一些语义相关的文本来找到句子的外部上下文。我们发现，使用合作学习训练模型，可以更好地利用外部上下文提高模型的性能，在 5 个领域的 8 个数据集上取得了最新的最佳成绩。

    May, 2021

  • 为提高文档摘要中的强化学习效率而进行的奖励学习

    提出了一种新的基于强化学习的文档摘要算法 ——RELIS，它采用学习排序算法训练奖励函数，并在测试时使用该奖励函数来训练输入特定的强化学习策略，相比当下最先进的模型能够将训练时间缩短两个数量级并保持同样的性能，适用于多文档摘要。

    Jul, 2019

  • 探索外部知识以准确地建模视觉和语言问题

    本文介绍了一种利用外部知识提高人工智能任务性能的方法，将其应用于视觉语言理解、机器翻译和图像字幕制作等任务，并且在这些任务建模中显著提升表现。

    Jan, 2023

  • 利用外部知识改进问答

    本研究旨在探索使用 Wikipedia 的文本信息和添加更多的训练数据来解决在科学等学科领域中的多项选择题答题任务，实验表明，我们的方法在准确性上相较于先前的最先进技术获得了显著的提升。

    Feb, 2019

  • 基于强化学习的自然语言生成与外部奖励

    使用双向编码器 - 解码器、外部奖励和注意力机制，结合强化学习创造自然语言生成的方法，并通过标准对话语料库验证其有效性。

    Nov, 2019

  • 有限数据下的信息提取迁移学习

    本文提出了一种通过使用转移学习的方法，并结合深度神经网络和统计分类器的结合来进行信息提取，将该方法应用于日本政府工程竞标实际案例的文档处理中，证明了该模型能够提取具有详细信息精度的细粒度命名实体。

    Mar, 2020

  • 带有外部知识的神经自然语言推理模型

    本文研究在于如何用外部的知识来丰富神经网络的自然语言推理模型，并展示了这些模型如何在 SNLI 和 MultiNLI 数据集上实现最先进的性能水平。

    Nov, 2017