通过有效的深度排序共同提取带类别关系的实体关系
本文提出了一种基于卷积神经网络的分类方法,通过采用新的成对排名损失函数来降低人工类的影响,在 SemEval-2010 任务 8 数据集上取得了 84.1 的准确度,超过了使用 softmax 分类器的方法,证明了仅使用单词嵌入作为输入功能就足以实现最先进的结果。
Apr, 2015
本文提出了一种新的关系提取框架,引入了一个新的损失函数 ConstraintLoss,用于融合关系限制与神经网络,从而提高神经网络的学习效果,实验结果显示该方法比当前流行的 NRE 模型表现更好。
Nov, 2019
采用多任务学习方法解决实体和关系联合提取问题,提出了一种称为循环交互网络的多任务学习模型,能够动态地学习交互来有效地模拟分类的任务特征,并在两个真实数据集上进行实证研究验证了该模型的优越性。
May, 2020
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
研究了如何利用距离监督关系抽取方法,基于知识图谱嵌入和图卷积网络,精确学习长尾分布中少见的关系类型,通过知识感知机制实现对数据贫乏类别的性能增强。该方法在大规模基准数据集上的实验中表现出优于其他基线方法的明显优势,特别是对于长尾分布的关系。
Mar, 2019
用一个模型识别实体对及其关系的联合实体和关系抽取任务中,存在嘈杂标签的问题。为了填补这个空白,我们引入了一种新的噪音鲁棒方法,可以同时进行实体和关系检测,并使用一个新的损失函数惩罚与显著关系模式和实体关系依赖性不一致的情况,以及一个自适应学习步骤迭代地选择和训练高质量实例。在两个数据集上的实验证明,我们的方法在联合抽取性能和噪音减少效果方面优于现有的最新方法。
Oct, 2023
本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法,不需要手工规则,能够完整考虑同一个上下文中的多个关系,并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证,证明该方法优于现有方法 1.12%到 2.55%不等。
Jun, 2020
本文旨在探讨在医疗临床记事本上提取关系的问题。作者提出使用卷积神经网络自动学习特征,减少对人工特征工程的依赖,并针对 i2b2-2010 临床关系提取挑战数据集进行了实证研究。结果表明,卷积神经网络可以是在临床文本中提取关系的良好模型,而且不需要专家们定义的高质量特征。
Jun, 2016
本文提出了一种名为 OneRel 的新型关系抽取模型,将抽取任务视为细粒度的三元组分类问题,在两个常用数据集上的实验结果表明,该方法优于现有基线模型,并在各种重叠模式和多个三元组的复杂场景中持续性能提高。
Mar, 2022
我们提出了一种基于查询的方法,用于构建关系三元组的实例级表示,然后通过对比学习,实现了关系三元组实例级表示的学习和全局信息连接,最终在五个广泛使用的基准测试中达到了最先进的水平。
Nov, 2022