IJCAIJul, 2016

学习关系依赖网络进行关系抽取

PDF
TL;DR本文中，我们采用关系依存网络（Relational Dependency Networks）来提取新闻文件中的关系信息，并探讨了如何将多种组件例如弱监督、word2vec 特征、联合学习和人力建议等集成到这一关系模型中。在 KBP 2015 任务中的评估结果表明，RDN 可以有效地模拟多种特征并表现出与当今最先进的关系抽取技术类似的竞争力。
发现论文，激发创造
  • 在知识图谱中学习利用长期关系依赖

    本文提出了一种基于循环跳跃网络的知识图谱嵌入方法，能够高效地捕获实体之间长期关系，特别适用于跨知识图谱嵌入和实体对齐等任务，在实验中达到当前最优水平。

    May, 2019

  • 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

  • 视频物体检测的关系蒸馏网络

    该研究提出了关系蒸馏网络 (RDN) 的新架构，通过跨物体的空时上下文进行聚合和传播，从而改进了目标检测和跨帧盒子链接，并在 ImageNet VID 数据集上实现了最佳 mAP。

    Aug, 2019

  • 基于深度神经网络的关系抽取综述

    该研究论文介绍了知识在自然语言处理中的重要性，并综述了基于深度神经网络的关系抽取技术，包括有监督和远程监督方法。此外，还讨论了该技术的一些新方法和未来研究方向。

    Jan, 2021

  • 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

  • 基于依存关系的神经网络用于关系分类

    本文提出了一种新结构 —— 增强依赖路径（ADP），并利用基于依赖的神经网络（DepNN）来利用这种结构，最终在 SemEval-2010 数据集上取得了最先进的结果。

    Jul, 2015

  • 关系有向图的知识图谱推理

    本文提出了一种新颖的关系结构，即关系有向图，用于捕捉知识图中的局部证据，并提出了 RED-GNN 来有效处理该结构，并证明其在归纳和传递推理任务中的有效性和效率。

    Aug, 2021

  • 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

  • 基于结构化最小监督学习的神经关系抽取

    通过结合学习表示和结构化学习的优点，我们提出了一种最小监督关系抽取方法，可以在知识库提供的命题级监督下，准确地预测句子级别的关系提及。通过在学习期间明确地推理有关缺失数据，我们的方法能够在缓解远程监督的标签噪声的同时进行大规模的一维卷积神经网络训练。我们的方法在最小监督下的句子关系抽取方面实现了最新的成果，优于许多基线方法，包括仅使用神经模型的注意层的竞争方法。

    Mar, 2019

  • 为知识库完备性建立组合向量空间模型

    该论文提出了一种使用递归神经网络推理多跳关系的新方法，通过向既有的知识库添加由多跳关系推理得出的新事实实现知识库完成，并在新整理的数据库上展示了 11% 的准确度提升。

    Apr, 2015