GraphIE: 基于图的信息提取框架
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
Graphene 是一种基于 Open IE 系统的轻量级的语义表述,能够生成准确、有意义和完整的命题,并维护其上下文和各种语言关系,从而提高所提取命题的表现力。
Aug, 2018
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
该研究提出了一种基于 T5 架构的多任务半监督环境下联合学习文本图谱提取和图谱生成的解决方案,此方法在 WebNLG 数据集中表现优于无监督最新成果,且相较于有监督模型更具一致性。
Feb, 2022
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
本研究提出了一种使用深度学习模型来同时解决信息提取中的四个主要任务(实体提取、关系提取、事件触发识别和参数提取),并使用两个新的特性来捕获这些任务之间的相互依赖关系的方法(称为 FourIE),并且进一步引入了一种新的正则化机制来提高模型的性能。
Mar, 2021
介绍了一个通用的框架,用于多个信息提取任务,共享动态构建的跨度图表示,该图由选择最可靠的实体跨度所构成,并使用置信度加权关系类型和共参考建立节点,从而实现共参考和关系类型置信度通过图传播迭代地细化跨度表示,与以前的多任务信息提取框架不同,我们的框架显著优于多个数据集上的多个信息提取任务的最新水平,涵盖了不同的领域。另外,我们观察到跨度枚举方法在检测嵌套跨距实体方面表现出色,在 ACE 数据集上 F1 分数显著提高。
Apr, 2019
通过聚集深度学习方法提供的依存句法分析器提供的链接形成的依赖图来建立神经网络和基于图的自然语言处理之间的桥梁,并通过提取最大强连通组件中的关键词和摘要来介绍统一的关键词、摘要和关系提取方法,从而构建一个新的对话引擎,利用内在结构信息提取命题之间的关系。
Sep, 2019