本研究综述了关系抽取领域深度学习技术的现状,涵盖资源、分类、挑战和未来方向等方面,有望促进研究者共同探索真实生活中关系抽取系统的挑战。
Jun, 2023
本文介绍了关系抽取(RE)的若干重要的监督、半监督和无监督技术,以及开放信息抽取(OIE)和远程监督的范例,最后描述了近期 RE 技术和未来研究方向。这篇综述对于领域的新手、研究人员和实践者都有用。
Dec, 2017
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
使用深度学习技术来从多个句子的语境中识别适当的语义关系,以解决现有机器学习模型难以从复杂句子中提取关系的问题。本文探讨了用于关系提取的各种深度学习模型的分析。
Sep, 2023
关系抽取(RE)是自然语言处理的基础任务,本文综述了四个阶段的 RE 方法,包括模式匹配、统计、神经网络和大型语言模型,并着重介绍了现代 RE 方法的远程监控和去噪预训练方法。
Jul, 2022
文章介绍了一种使用远程监督与主动学习相结合的方法进行关系提取,实现在减少专家标注数据的人力成本的同时,使神经网络在复杂数据集上得到更好的表现。
Jul, 2018
本文主要介绍了基于实体的关系抽取中传统的二元关系抽取及其发展,同时总结了近期提出的复杂关系抽取任务的定义、进展、挑战和机会。
Dec, 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
本研究提出了一种深度学习方法,利用单词级和句子级表示同时提取治疗和问题之间的关系,以用于医疗决策支持系统、安全监测和新治疗发现。通过深度学习和基于规则的模型的联合结果获得了最终的关联关系。该系统在 I2b2 2010 关系提取任务的关系类别上取得了有前途的表现。
Jun, 2018
本文对关系抽取数据集进行了全面的调查及研究任务定义及其应用。 研究发现,跨数据集和跨领域设置特别缺乏,并通过对两个数据集的科学关系分类进行了实证研究,发现注释存在实质性的差异,这解释了跨数据集评估中大幅度下降的原因。 最后,本研究呼吁在关系抽取中更加严格地报告设定和跨多个测试集进行评估。
Apr, 2022