Dec, 2018

利用线性衰减模拟和非独立同分布关联嵌入的远程监督关系抽取

PDF
TL;DR这篇研究提出了一种新方法来解决采用遥测监督的关系抽取中存在的问题，包括在句子中选择重要单词和提取有效句子等问题。该方法引入了线性衰减模拟和非独立同分布相关性嵌入两个新的概念来解决这些问题，在基准数据集上的实验表明，该方法能够有效地提取隐藏关系的复杂信息和实例间的相互信息。
发现论文，激发创造
  • 深度强化学习下的强健远程监督关系抽取

    研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声，进而将它们分配为负面样本以解决误报问题，实验表明该方法显著提高了远程监督方法的性能。

    May, 2018

  • 利用推理学习改进远程监督

    本文提出了一种使用知识推理方法检测潜在误差样本的方法，以提高使用远程监督数据训练关系提取系统的性能。

    Sep, 2015

  • 增强文档级关系抽取的高效多重监督

    提出了高效的多监督关系抽取方法，通过融合远程监督和专家监督选择信息丰富的文档子集，并利用多方监督排名损失训练模型，以提高模型性能并具有较高的时间效率。

    Jul, 2024

  • 融合远程和直接监督的神经关系抽取

    本研究提出了一种改进的神经网络关系抽取模型，该模型采用直接监督数据来提高注意力机制的性能，同时使用远程监督数据帮助识别噪声标注，实验结果在 FB-NYT 数据集上取得了最新的最优性能。

    Oct, 2018

  • 基于单词和实体级别注意力机制的远程监督下关系抽取技术的改进

    本论文介绍了两种新的用于远程监督下关系抽取的单词注意模型，同时提出了一种组合模型，并在多个真实数据集上进行了广泛的实验来证明这些方法的有效性。

    Apr, 2018

  • 跨句远程监督关系抽取

    本研究提出了首个远程监督应用于跨句关系抽取的方法，基于图形表示从多条路径中提取特征，实验表明我们的方法可以学习一种准确的跨句提取器，并提取了两倍于现有远程监督范例的关系，从而证明了跨句关系的普遍存在和本方法的优越性。

    Sep, 2016

  • 一种基于数据驱动的方法用于远程监督下的生物医学关系抽取中的噪声削减

    使用多实例学习和 BERT 模型，我们提出了一个简单的数据编码方案，以降低噪音并获得了远程监控生物医学关系提取的最新性能，同时进一步编码关于关系三元组方向的知识，从而减少噪音并减轻了与知识图完成的联合学习的需要。

    May, 2020

  • 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

  • 具有背内及背间注意力的远程监督关系抽取

    本文介绍了一种神经关系抽取方法，用于处理远程监督下产生的嘈杂训练数据，在考虑句子级和集合级别的噪声处理时，利用了组内注意力和组间注意力，提出的方法在 New York Times 数据集上比现有方法表现更加出色。

    Mar, 2019

  • 通过 BERT 基于标签和实例嵌入来提高远程监督关系抽取

    提出 REDSandT (一种使用远程监督和转换器的关系抽取方法)，通过利用 BERT 的预训练模型和标签与实体之间的关系，以高度信息的实例和标签嵌入来捕获更广泛的关系，并通过标签嵌入作为注意机制以进一步减少噪声，最终通过将关系和实例嵌入连接来表示句子，实现其对具有更高置信度的更广泛关系的捕获。

    Feb, 2021