卷积神经网络的全局归一化用于联合实体和关系分类
本文提出了基于卷积神经网络和循环神经网络集成的关系分类和抽取系统,在 SemEval 2018 任务 7 的 4 个子任务中中有 3 个排名第一。我们提供了设计选择背后最相关特征的详细解释和论据,并分析了它们的重要性。
Apr, 2018
本文提出了一种使用图卷积神经网络(GCN)学习实体和关系表示的新颖联合学习框架,以改善实体对齐,并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明,我们的方法显著优于现有的实体对齐方法。
Sep, 2019
本研究提出了一种使用多池化操作的卷积神经网络(CNN)架构,并探索了带有类别级别约束矩阵约束的损失函数,用于医疗关系分类在临床记录中,实验表明这些模型在不使用任何外部特征的情况下优于以前的单模型方法,并且我们最佳模型与现有的集成方法竞争力强。
May, 2018
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
本文针对 SemEval 2010 关系分类任务,研究了两种不同的神经网络结构:卷积神经网络和循环神经网络。我们分别演示了模型不同结构的效果,并提出了一种针对卷积神经网络的新型上下文表示法和针对连接主义双向循环神经网络的排名损失优化方法。最后,我们展示了使用简单投票方案将卷积神经网络和循环神经网络结合起来可以提高结果的准确性。我们的神经模型在 SemEval 2010 关系分类任务上获得了最先进的结果。
May, 2016
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
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
本文提出一个神经网络模型,用于联合抽取命名实体和它们之间的关系,无需手动设计特征。该模型采用深度双仿射关注层扩展了 BiLSTM-CRF 实体识别模型,以建模关系分类中潜在特征的二阶交互。在 benchmark 数据集 CoNLL04 上进行实验,结果显示该模型的表现优于之前的模型,创造了新的最好表现。
Dec, 2018
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