EMNLPAug, 2018

使用图形状态 LSTM 进行 N 元关系提取

PDF
TL;DR本文提出了一种基于图的 LSTM 模型（图状态 LSTM 模型），通过消息传递来循环地丰富状态值，相比于 DAG-LSTM 模型，我们的模型保留了原始的图结构，并通过允许更多的并行化来加速计算，在标准基准测试中表现最佳。
relation extractiondocument graphgraph-state lstmmessage passingbenchmark
发现论文，激发创造
  • 使用图神经网络 LSTM 进行跨句子的 N 元关系抽取

    本文提出了一种基于图形 LSTM 网络的关系抽取框架，可用于跨句子的 n 元关系抽取，并在两个重要的精准医学设置中进行了评估，证明了其有效性，同时也说明了多任务学习和跨句子抽取的重要性。

    Aug, 2017

  • 多尺度表示学习在文档级 N 元关系抽取中的应用

    本文提出了一种新颖的多尺度神经架构，以文档级别的 $n$ 元关系提取为目标，通过整合文档中各种文本跨度上的学习表征和子关系层次间的信息，扩大了系统的视野，增加了召回率和精确度，并在生物医学机器阅读上实验验证优于先前的 $n$ 元关系抽取方法。

    Apr, 2019

  • 基于强化学习的 N 元交叉句子关系抽取

    本文提出了一种新的句子分布估计模型和全新的关系抽取器，通过较弱的远程监督假设以及两级强化学习模型选择正确标记的句子来解决嘈杂数据的影响，最终达到比基线模型更好的 n-ary 跨句子关系提取任务性能。

    Sep, 2020

  • 基于长短时记忆和卷积神经网络的跨句子 n 元关系抽取

    本文提出一种结合了 LSTM 和 CNN 模型的组合模型 (LSTM-CNN)，利用词嵌入和位置嵌入来实现跨句子 n 元关系抽取。该模型利用了 LSTMs 和 CNNs 的特性，同时利用长距离的顺序信息和捕获大部分信息特征，是跨句子 n 元关系抽取的一种有效模型。该模型在标准数据集上进行评估，表现明显优于 CNN、LSTM 以及组合 CNN-LSTM 模型，并且优于当前跨句子 n 元关系抽取研究的最新成果。

    Nov, 2018

  • 基于文档级图卷积神经网络的句间关系提取

    本文提出了一种新的文档级图形结构的交叉句关系提取模型，该模型利用各种句间和句内依赖关系构建图形，并利用多实例学习和双仿射配对评分来预测实体对之间的关系。实验结果表明，该模型在两个生物医学数据集上的表现与最先进的神经模型相当，并且文中提到的所有图形类型对于交叉句关系提取都是有效的。

    Jun, 2019

  • 使用面向边的图来进行文档级别神经关系抽取：连接相互关联的信息点

    本研究采用面向边的图神经网络模型对文档级关系抽取进行研究，该模型利用不同类型的节点和边来创建文档级图，并通过图上边的推理机制进行联合及交叉句子的学习，实验结果表明该方法在化学疾病和基因疾病相关性数据集上表现出很好的性能。

    Aug, 2019

  • 使用 LSTM 对序列和树结构进行端到端的关系提取

    本研究提出了一种使用神经网络的模型，能够同时提取实体和它们之间的关系，并通过 LSTM-RNNs 进行优化，与现有的基于特征的模型相比，实现了较大的性能提升，并且在 nominal relation classification 方面与 CNN-based 的模型相比表现更好；还通过消融分析研究了多个模型组件和预处理对实验结果的影响。

    Jan, 2016

  • 句子内和跨句子边界的神经关系抽取

    本文提出了一种新的架构 iDepNN，它可以通过循环和递归神经网络对最短和增强的依赖路径进行建模，以从跨句子的实体对中提取关系，并在新闻和医学领域的数据集上实现了最新技术的表现和更好的精度和召回的平衡，在 BioNLP 共享任务 2016 中胜过了 11 个参赛队伍，并获得了 5.2％的 F1 增益。

    Oct, 2018

  • 句状态 LSTM 用于文本表征

    通过构建一个包含词语并行状态的 LSTM 模型，最大程度地提高文本表示能力，并在多个分类和序列标注基准测试中取得了强大的表现。

    May, 2018

  • 一种基于实体图的行走模型，用于关系抽取

    提出了一种基于图的神经网络模型，用于关系提取，将句子中的实体对作为节点放置在全连接图结构中，边用围绕实体对的位置感知上下文表示，构建了不同关系路径，通过迭代更新边表示为更长的路径表示。在 ACE2005 数据集上实现了与最先进系统相当的性能而不使用任何外部工具。

    Feb, 2019