EMNLPSep, 2018

基于修剪依存树的图卷积改善关系抽取

PDF
TL;DR本文提出了一种基于图卷积网络的关系抽取模型，针对依存句法树存在的缺陷进行了改进，通过保留两个实体间最短路径周围的词语并采用并行化方法来高效地汇总任意依存句法结构中的信息，最终在大规模 TACRED 数据集上取得最先进的性能，且与序列模型互补，二者结合可以进一步提高性能。
发现论文，激发创造
  • 基于注意力引导的图卷积神经网络用于关系抽取

    本研究提出了一种新模型 ——AGGCNs，该模型通过自动学习选择性地关注依存树的相关子结构，有效地利用依存树的结构信息来提取实体之间的关系，从而在交叉句 n 元关系抽取和大规模句子级关系抽取等多项任务中均优于现有方法。

    Jun, 2019

  • 用于命名实体识别的图卷积网络

    本文研究了依赖树在使用一组 GCN 的命名实体识别器中的作用。我们对不同的 NER 架构进行比较，并表明一句话的语法对结果产生积极影响。在 OntoNotes 数据集上的实验表明，在不需要大量特征工程或额外的语言特定知识的情况下，可以实现一致的性能改进。

    Sep, 2017

  • 基于依存关系的卷积神经网络用于句子嵌入

    该研究提出了一种基于树的卷积神经网络模型，结合深度学习和语言结构，利用单词之间的各种长距离关系来提高情感分类和问题分类任务的准确性，并在 TREC 数据集上取得了最高的准确性。

    Jul, 2015

  • 基于依存关系的神经网络用于关系分类

    本文提出了一种新结构 —— 增强依赖路径（ADP），并利用基于依赖的神经网络（DepNN）来利用这种结构，最终在 SemEval-2010 数据集上取得了最先进的结果。

    Jul, 2015

  • 知识图谱嵌入及图卷积网络实现长尾关系抽取

    研究了如何利用距离监督关系抽取方法，基于知识图谱嵌入和图卷积网络，精确学习长尾分布中少见的关系类型，通过知识感知机制实现对数据贫乏类别的性能增强。该方法在大规模基准数据集上的实验中表现出优于其他基线方法的明显优势，特别是对于长尾分布的关系。

    Mar, 2019

  • 用于句法感知神经机器翻译的图卷积编码器

    这篇研究论文介绍了一种简单有效的方法来将句法结构融入到神经注意力编码解码模型中，以实现机器翻译。文中使用了预测的源句子句法依赖树，用于生成敏感于句法周边的单词表示，以达到最佳效果。研究的实验结果表明，在英德翻译和英捷翻译方面的所有设置中，与其不考虑语法结构的版本相比，该方法均有显著的改善。

    Apr, 2017

  • 利用依存森林进行神经医学关系提取

    本研究探讨利用依存森林来缓解医疗领域最优解析树准确率相对较低的问题，并使用图神经网络来自动识别有用的语法信息。该方法在两个生物医学基准测试中表现优异，达到了文献中最先进的结果。

    Nov, 2019

  • DG-SpanBERT 高效长距离关系抽取

    该研究提出了一种新的基于 SpanBERT 和图卷积网络的关系抽取模型 (DG-SpanBERT), 具有学习从大规模语料库中获取词汇特征和捕捉实体之间长距离关系的优点，在 TACRED 数据集上的实验结果表明其性能优于现有基于依存关系和序列的模型，达到了最先进的水平。

    Apr, 2020

  • 超网络知识图谱嵌入

    本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

    Aug, 2018

  • 一种基于递归卷积神经网络的依存句法分析器重新排序模型

    该研究提出了一种新的递归卷积神经网络（RCNN）体系结构，用于在依存树中建模节点，并在依存分析结果上取得了很好的效果。

    May, 2015