ACLNov, 2018

DIAG-NRE：一种远程监督神经关系抽取的神经模式诊断框架

PDF
TL;DR本文提出一种神经模式诊断框架 DIAG-NRE，可以自动从噪音数据中总结和精炼高质量的关系模式，通过在人类专家的循环中实现，以减轻图案编写的劳动强度，使其能够快速泛化到新的关系类型，并在两个实际数据集上展现了与最新技术方法相比显著且可解释的改进。
pattern-based labeling methodsneural relation extractiondiag-nrerelational patternsreal-world datasets
发现论文，激发创造
  • 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

  • 基于向量化词汇 - 句法模式的金融文件关系抽取的最近邻搜索

    通过密集向量的近邻搜索，我们介绍了一种简单的方法，在测试时间通过训练关系来解决隐含表达和长尾关系类的问题，此方法在 REFinD 上实现了最先进的性能。

    Oct, 2023

  • 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

  • NERO: 基于神经网络的规则接地框架用于标签有效的关系提取

    本文提出了一种基于标注规则的神经方法 NERO，可以通过自动标注和软匹配，增强神经关系提取模型的监督学习效果，实验结果表明 NERO 模型的效果表现优秀。

    Sep, 2019

  • 基于深度神经网络的关系抽取综述

    该研究论文介绍了知识在自然语言处理中的重要性，并综述了基于深度神经网络的关系抽取技术，包括有监督和远程监督方法。此外，还讨论了该技术的一些新方法和未来研究方向。

    Jan, 2021

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • 通过神经期望最大化框架揭示远程监督中的基本关系

    本文介绍了一种使用神经网络和概率建模的新型标签去噪框架，以解决远程监督关系提取中标签嘈杂的问题，并在实践中证明了该方法的有效性。

    Sep, 2019

  • 基于大语言模型的远程监督半自动文档级关系抽取数据增强

    通过集成大型语言模型和自然语言推理模块，我们提出一种自动标注方法来生成关系三元组，从而增强文档级关系数据集，我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性，该方法在重新注释众多长尾关系类型方面表现出色，并且在推进广义语言语义理解方面提供了实际好处。

    Nov, 2023

  • OpenNRE: 一个开放且可扩展的神经关系抽取工具

    OpenNRE 是一个开源的可拓展工具包，它提供了一个统一的框架来实现神经模型用于关系抽取。通过实现典型的关系抽取方法，OpenNRE 不仅允许开发人员训练定制模型来从纯文本中提取结构化关系事实，同时也支持快速模型验证以满足研究者的需求。此外，OpenNRE 基于 TensorFlow 和 PyTorch 提供各种功能性的关系抽取模块来维护充分的模块化和可扩展性，从而可以更容易地将新模型纳入工具包。除了工具包之外，我们还发布了一个在线系统，以满足实时提取而无需任何训练和部署。同时，该在线系统还可以在各种场景中提取事实，并将提取的事实与维基数据进行对齐，这可能有益于各种下游的知识驱动应用（例如信息检索和问题回答）。更多工具包和在线系统的细节可以从此 http URL 中获取。

    Sep, 2019

  • 深度学习在关系抽取中的综合调查：最新进展与新前沿

    本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。

    Jun, 2023