基于图的上下文保持开放式信息抽取系统
本文介绍了一种使用两层转换阶段的开放式信息提取方法,其中包括从复杂的语言结构中提取命题的核心关系元组和上下文信息,以及使用修辞关系将其语义相关。我们的参考实现 Graphene 在正确构建 n - 元谓词 - 参数结构方面优于现有的开放式 IE 系统,并且我们的框架的转换过程对现有的开放式 IE 方法会产生益处。
Jul, 2018
本文介绍了一种基于图推理的信息抽取框架 GraphIE,通过图卷积处理文本单元之间的广泛依赖关系,生成更丰富的表示以提高词级预测的性能,评估表明 GraphIE 明显优于现有的基于序列标注模型。
Oct, 2018
本文提出了一种名为 ReMine 的新型 Open IE 系统,将本地上下文信号和全局结构信号统一到一个遥感监督的框架中,并利用外部知识库中的事实作为监督,通过联合优化问题解决实体 / 关系短语分割和元组提取质量评估的两个子任务,以提高从大型语料库中提取元组的质量,并在两种不同领域的实际语料库上进行实验以证明其有效性和鲁棒性。
Apr, 2018
该研究论文提出了一种新颖的方法,将信息提取任务转化为图结构学习,通过动态细化和优化图结构来增强模型在实体和关系预测方面的能力,相比于以前的模型,该方法允许更好的交互和结构驱动决策,同时在联合实体和关系提取基准测试上与最先进的基准模型相比获得了有竞争力的结果。
Apr, 2024
通过提出一个新的基准测试,该研究论文旨在解决通过评估协议以考量系统的能力,从而能在更细粒度的三元槽级别上测量事实链接性能,同时测量一个系统是否能识别到表面形式在现有知识图谱中没有匹配项。研究还表明,与准确链接到现有实体相比,检测出现有知识图谱中不存在的实体和谓词更加困难,因此需要更多的研究努力来解决这个难题。
Oct, 2023
本研究使用多视图学习将从开放域语句中提取的关系元组所需的句法信息从成分结构和依赖关系树映射到词级别的图中并进行拓展,达到更好地融合此类信息的目的。实验证明,这种多视图学习的方法与使用多种信息源构建元组是非常有效的。
Dec, 2022
本研究提出了一种 Open IE 推理方法,利用最近提出的支持图优化框架进行 QA,从而使得可以更有效地处理所提出的方法中所述的多种难度级别的复杂问题。同时本方法不依赖于手动策划的知识。
Apr, 2017
本文介绍了一种名为 DragonIE 的 OpenIE 模型,它使用有向无环图的文本事实的极简表示来提高 Generalized OpenIE 的一般性能,并在 In-domain 和 out-of-domain 设置中表现出比以前的方法高 6.0%的 F1 分数的提升,但仍有大量改进的空间。
Nov, 2022