ACLMar, 2019

基于结构化最小监督学习的神经关系抽取

PDF
TL;DR通过结合学习表示和结构化学习的优点，我们提出了一种最小监督关系抽取方法，可以在知识库提供的命题级监督下，准确地预测句子级别的关系提及。通过在学习期间明确地推理有关缺失数据，我们的方法能够在缓解远程监督的标签噪声的同时进行大规模的一维卷积神经网络训练。我们的方法在最小监督下的句子关系抽取方面实现了最新的成果，优于许多基线方法，包括仅使用神经模型的注意层的竞争方法。
minimally supervised relation extractionlearned representationsstructured learning1d convolutional neural networkslabel noise mitigation
发现论文，激发创造
  • 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

  • 基于句子重建和知识库先验的远程监督关系抽取

    通过联合训练关系分类器和变分自编码器，结合知识库的概念，实现了利用多任务的概率方法来促进远程监督关系提取，从而有望在 NLP 领域取得更好的性能与可解释性。

    Apr, 2021

  • 基于强化学习的 N 元交叉句子关系抽取

    本文提出了一种新的句子分布估计模型和全新的关系抽取器，通过较弱的远程监督假设以及两级强化学习模型选择正确标记的句子来解决嘈杂数据的影响，最终达到比基线模型更好的 n-ary 跨句子关系提取任务性能。

    Sep, 2020

  • 基于预训练语言模型的上下文小样本关系抽取

    通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

    Oct, 2023

  • 应用内部句子噪声降低和转移学习的神经关系抽取

    通过引入 Sub-Tree Parse 和基于迁移学习的先验知识，我们提出了一种新的基于词级级别远程监督的关系提取方法，可以从自动构建的包含噪声词语的低质量句子数据集中提取关系，实验结果表明我们的方法相对现有最优工作提高了 Precision/Recall (PR) 的面积从 0.35 到 0.39.

    Aug, 2018

  • 面向文档级关系抽取的模块化自监督

    该研究提出了一种将文档级关系抽取分解成关系检测和参数分辨的方法，利用显式语篇建模和模块化自我监督来进行改进，并在生物医学阅读中进行了细致的评估，其方法优于以往的最先进技术。

    Sep, 2021

  • 无监督关系抽取的深度双向转换器

    使用句法分析和预先训练的词嵌入技术，在缺乏任何形式监督的情况下，提取少量精确关系，用于注释更大的语料库，并在生物医学领域的四个数据集上通过微调预先训练的 BERT 模型进行关系抽取实验表明，与无监督关系提取的两个简单的基线相比，我们的方法显著优于两个简单的基线，即使不使用任何监督，也获得了三个数据集中的最先进结果之一；更重要的是，我们证明了使用噪声数据可以成功地对大型预先训练的语言模型进行微调，而不是依赖于黄金数据进行微调。

    Nov, 2019

  • 利用知识图谱嵌入增强关系抽取的上下文表示

    本论文使用预训练的知识图谱嵌入模型，结合文本语料库的句子级上下文表示，实现了较高性能的关系抽取模型，并通过实验验证了该方法的有效性和出色性能。

    Jun, 2023

  • 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

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022