EMNLPJul, 2017

关系抽取的异构监督：一种表示学习方法

PDF
TL;DR使用来自异构信息源的注释对关系抽取学习进行建模的新型框架 REHession，利用嵌入技术学习上下文信息的分布表示，从而实现了标签真值的推断和精确的关系抽取。
relation extractionannotationsheterogeneous information sourcecontext informationembedding techniques
发现论文，激发创造
  • 利用远程监督与人工标注的双重监督框架进行关系提取

    本研究提出了一种双重监督框架，旨在有效利用人工标注数据和远程监督数据来训练关系抽取模型，以应对不同类型的监督数据。该模型采用两种不同的预测网络，分别用于预测人工标注和远程监督标签，并引入不一致性惩罚机制进行优化，实现了更高的抽取精度。

    Nov, 2020

  • 远程监督关系抽取综述：以去噪和预训练方法为重点

    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

  • 使用问答对进行关系抽取的间接监督

    本篇论文介绍了一种基于 QA 数据集的间接标注来降低 DS 数据产生噪声的新方法 ReQuest，并使用学习到的嵌入估计测试关系提及的类型。实验结果在两个公共关系提取数据集上相结合以 TREC QA 数据集，F1 得分平均提高了 11％。

    Oct, 2017

  • HiCLRE：一种基于分层对比学习的远程监督关系抽取框架

    本文提出了一种基于对比学习的层次化关系抽取框架（HiCLRE），该框架结合全局结构信息和局部微粒度交互以减少噪声句子，并在不同的 DSRE 数据集中均显著优于强基准模型，其中包括了远程监督、关系抽取、多粒度重上下文化和对抗扰动等关键词。

    Feb, 2022

  • HiURE: 分层范例对比学习用于无监督关系抽取

    提出了一种名为 HiURE 的对比学习框架，它能够利用交叉层次注意力从关系特征空间中得出层次信号，并在基于实例的对比学习下有效地优化句子的关系表示，从而在无监督关系提取中表现出先进的效果和鲁棒性。

    May, 2022

  • 重新审视远程监督关系抽取的负数据

    本文提出了一种名为 ReRe 的管道方法，通过句子级别的关系检测和主谓对象提取来实现样本有效训练，将关系抽取问题转化为正无标记学习任务，缓解了负样本引起的误差问题，实验结果表明，该方法能够持续超越现有方法并且即使在学习大量的假阳性样本时仍保持良好的性能。

    May, 2021

  • 自然语言推理提升远程监督关系抽取

    本文提出了一种新的 DSRE-NLI 框架，该框架利用现有知识库的远程监督和预训练语言模型的间接监督，通过半自动关系语言表达机制为间接监督提供能量，进而巩固远程注释以便于多分类 RE 模型，并通过数据整合策略实现训练数据的质量提高，大量实验证明该框架显著提高了远程监督 RE 基准数据集的性能（高达 7.73％的 F1）

    Jul, 2022

  • 一种基于强化学习的关系抽取分层框架

    本文提出一种新的范例来处理关系提取问题，将相关实体作为一个关系的参数，并应用分层强化学习框架来增强实体提取和关系类型之间的交互。通过将整个提取过程分解成关系侦测和实体提取的两级 RL 策略层次结构，以处理重叠重复的关系，并在公共数据集上进行了评估，结果表明，它比现有的方法具有更好的性能，并可以更强大地提取重叠关系。

    Nov, 2018

  • 关系抽取中充分利用领域专家的时间

    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

  • 学习双重检索模块用于半监督关系抽取

    本文提出 DualRE，使用弱监督技术结合自我训练机制和多视图学习方法，在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明，该方法有效地提高了模型的性能表现。

    Feb, 2019