ACLApr, 2019

多尺度表示学习在文档级 N 元关系抽取中的应用

PDF
TL;DR本文提出了一种新颖的多尺度神经架构，以文档级别的 $n$ 元关系提取为目标，通过整合文档中各种文本跨度上的学习表征和子关系层次间的信息，扩大了系统的视野，增加了召回率和精确度，并在生物医学机器阅读上实验验证优于先前的 $n$ 元关系抽取方法。
information extractionn-ary relationsneural architecturedocument-levelbiomedical machine reading
发现论文，激发创造
  • 使用图神经网络 LSTM 进行跨句子的 N 元关系抽取

    本文提出了一种基于图形 LSTM 网络的关系抽取框架，可用于跨句子的 n 元关系抽取，并在两个重要的精准医学设置中进行了评估，证明了其有效性，同时也说明了多任务学习和跨句子抽取的重要性。

    Aug, 2017

  • 建模多粒度分层特征以进行关系提取

    本篇论文提出了一种基于原始输入句子提取多粒度特征的新方法，该方法包含实体提及级别、片段级别和句子级别三种特征，并采用层次化建模方法，以解决自然语言处理中的关系提取问题，实验证明该模型性能优于甚至使用外部知识的现有最先进模型。

    Apr, 2022

  • 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

  • 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

  • 基于语义分割的文档级关系抽取

    本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

    Jun, 2021

  • 使用面向边的图来进行文档级别神经关系抽取：连接相互关联的信息点

    本研究采用面向边的图神经网络模型对文档级关系抽取进行研究，该模型利用不同类型的节点和边来创建文档级图，并通过图上边的推理机制进行联合及交叉句子的学习，实验结果表明该方法在化学疾病和基因疾病相关性数据集上表现出很好的性能。

    Aug, 2019

  • ReSel：通过学习检索和选择从科学文本和表格中提取 N 元关系

    我们研究从科学文章中提取 N 元关系元组的问题，我们提出了一种名为 ReSel 的方法来解决这个问题并且在三个科学信息提取数据集上得到了显著的优于现有基线的表现。

    Oct, 2022

  • 面向文档级关系抽取的全局 - 局部神经网络

    本文提出了一种新的模型对文档级别关系抽取进行建模，该模型能够对全局和局部的实体表示以及上下文关系表示进行编码并提供更好的实验结果。

    Sep, 2020

  • 使用图形状态 LSTM 进行 N 元关系提取

    本文提出了一种基于图的 LSTM 模型（图状态 LSTM 模型），通过消息传递来循环地丰富状态值，相比于 DAG-LSTM 模型，我们的模型保留了原始的图结构，并通过允许更多的并行化来加速计算，在标准基准测试中表现最佳。

    Aug, 2018

  • 基于多实例学习的实体级关系抽取端到端模型

    本文提出了一个联合模型，用于从文件中提取实体级别的关系。该模型在实体级别上操作，采用多任务方法，并通过多实例学习以及多级表示技术聚集相关信号，旨在提取文档中的关系。研究结果表明，该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时，实验结果表明，与特定任务学习相比，联合方法在参数共享和训练步骤方面更加高效。

    Feb, 2021