WSDMOct, 2017

使用问答对进行关系抽取的间接监督

PDF
TL;DR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％。
relation extractionsupervised learningquestion-answeringembeddingdata noise reduction
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

  • 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

  • 手动评估的重要性：审阅远程监督关系抽取的测试协议

    本研究为了更可靠地评估 distantly supervised relation extraction（DS-RE）模型，建立了手动注释测试集，并彻底评估了几个有竞争力的模型，特别是最新的预训练模型。实验结果表明，手动评估可以指出与自动评估非常不同的结论，希望我们的手动测试集和新的观察结果可以帮助推进未来 DS-RE 研究。

    May, 2021

  • 知识库问答中应更加关注关系探索

    本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。

    May, 2023

  • 深度强化学习下的强健远程监督关系抽取

    研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声，进而将它们分配为负面样本以解决误报问题，实验表明该方法显著提高了远程监督方法的性能。

    May, 2018

  • 摘要作为关系抽取的间接监督

    SuRE 是一种将关系提取（RE）转换为摘要公式的方法，形成更精确且高效的关系提取，并展示其在摘要任务中作为潜在的间接监督的有效性。

    May, 2022

  • 基于句子重建和知识库先验的远程监督关系抽取

    通过联合训练关系分类器和变分自编码器，结合知识库的概念，实现了利用多任务的概率方法来促进远程监督关系提取，从而有望在 NLP 领域取得更好的性能与可解释性。

    Apr, 2021

  • 弱监督下的零样本关系抽取问题

    本文提出一种零 - shot 关系抽取的方法，通过将实体的描述翻译成问题，并使用生成的问题来生成正确的实体，在不需要使用黄金问题模板的情况下超过了以前的最先进技术。

    Jan, 2023

  • 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