ACLMar, 2019

问题 - 答案对的开放式信息提取

PDF
TL;DRNeurON 是一个从问题 - 答案数据对中提取元组的系统，它使用多源序列到序列学习任务将问题和答案的分布式表示组合在一起以生成知识事实，并比其他最先进的 OpenIE 方法找到更多新的有趣事实来扩展知识库。
open information extractionneuronquestion-answer pairsknowledge basemulti-source sequence-to-sequence learning
发现论文，激发创造
  • 神经开放信息提取

    本文提出了一种基于神经网络的 Open IE 方法，采用了编码器解码器框架和引导式自我学习的方法，实验表明这种方法比传统方法更优秀。

    May, 2018

  • 使用开放信息提取回答复杂问题

    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

  • 神经开放信息抽取综述：当前状态与未来方向

    这篇文章针对开放信息抽取 (OpenIE) 进行了广泛的综述，其中包括最先进的神经网络 OpenIE 模型、它们的设计决策及其优缺点，以及当前解决方案的局限性和 OpenIE 问题本身存在的问题。最后，我们列出了能够扩展其范围和适用性的最新趋势，为 OpenIE 领域的未来研究开辟了有前途的方向。

    May, 2022

  • 开放信息提取

    本文概述了两代 Open IE 系统，包括其优点、弱点和应用范围。第二代系统在深度语言学分析下，通过动词短语或从句提取最常见的关系类型，并获得比第一代系统更高的性能。

    Jul, 2016

  • 开放信息抽取的语法多视角学习

    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

  • 基于预训练语言模型的高效开放信息抽取数据学习

    通过将 OpenIE 任务形式巧妙地转换为 T5 模型的预训练任务形式，并引入锚点的创新概念，OK-IE 显著减少了对大量训练数据的需求，消除了模型收敛速度慢的问题，实验结果显示，相较于之前的 SOTA 方法，OK-IE 仅需 1/100 的训练数据量（900 个实例）和 1/120 的训练时间（3 分钟）即可达到可比较的结果。

    Oct, 2023

  • 融合局部上下文和全局连贯性的开放信息提取

    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

  • IMoJIE: 迭代基于内存的联合开放信息提取

    本文介绍了一种基于神经网络的扩展模型 IMoJIE，该模型在 Open Information Extraction 任务中可以产生变化的、多样化的信息提取结果。与先前的基于规则的系统相比，该模型取得了 18 个 F1 分数的优势，也超越了基于 BERT 模型的强基线模型。

    May, 2020

  • Logician: 一个统一的端到端神经网络方法，用于开放领域信息提取

    该研究提出了一种用于从开放领域句子中提取实体和关系级中间结构的统一知识表示形式（SAOKE）和使用 Logician 提供了一种端到端的学习方法对其进行转换。实验表明，相对于其他现有算法，Logician 能够优秀地在各种类型的开放领域关系提取任务中优化实现全局性能。

    Apr, 2019

  • 基于块的开放信息性提取

    本研究提出了一种名为 SaC（Sentence as Chunk sequence）的新方法用于 Open Information Extraction（OIE）任务中的元组抽取，并使用基于 BERT 的简单模型 Chunk-OIE，在多个 OIE 数据集上实现了最前沿的结果，表明 SaC 对 OIE 任务有益。

    May, 2023