本文提出了一种基于序列标注的分解策略,将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务,这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明,该方法在三个公共数据集上优于先前的工作,达到了 21.5% 的新最优 F1 分数。
Sep, 2019
本文介绍了一种多任务学习框架,其中任务之间存在双向记忆依赖,并能更准确地进行文档级别的实体和关系抽取,实证研究表明该方法优于现有方法,并在 BioCreative V CDR 语料库上取得了最新成果。
Jul, 2023
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
该研究提出了一种基于神经网络的联合模型,能够同时执行实体识别和关系抽取任务,而无需人工提取特征或使用任何外部工具,并在包括新闻、生物医学和房地产等不同语境下进行了实验,而且表现优异。
Apr, 2018
本文提出了一种名为 TPLinker 的单阶段联合提取模型,其能够发现共享一个或两个实体的重叠关系,同时免除暴露偏差的问题。该模型通过手部握手标记方案将关系类型下的实体对的边界标记对齐,实验结果表明该模型在多关系抽取方面表现显著优于基准方法,并在两个公共数据集上实现了最先进的性能。
Oct, 2020
本文提出了一种基于联合学习模型的生物医学因果关系提取方法,将实体关系提取和实体功能检测结合起来,以提高因果关系提取的性能,并且在模型训练阶段,为不同的功能类型分配不同的权重,实验结果表明,与其他系统相比,我们的联合学习系统在 BEL 语句提取中取得了最先进的表现。
Aug, 2022
本文提出了一个联合模型,用于从文件中提取实体级别的关系。该模型在实体级别上操作,采用多任务方法,并通过多实例学习以及多级表示技术聚集相关信号,旨在提取文档中的关系。研究结果表明,该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时,实验结果表明,与特定任务学习相比,联合方法在参数共享和训练步骤方面更加高效。
Feb, 2021
本文介绍 “CoType”,一个数据驱动的文本分割算法和一种冠以知识库标签的实体及关系识别方法。实验表明,其在不同领域具有 25% 的 F1 得分提高。
Oct, 2016
我们在句子级别和文档级别数据集上对目前最先进的管道和联合抽取模型进行基准测试,实验结果表明,联合模型在句子级别抽取任务上明显优于管道模型,但在文档级别数据集上,联合模型的性能迅速下降,低于管道模型。