ACLJun, 2019

基于文档级图卷积神经网络的句间关系提取

PDF
TL;DR本文提出了一种新的文档级图形结构的交叉句关系提取模型，该模型利用各种句间和句内依赖关系构建图形，并利用多实例学习和双仿射配对评分来预测实体对之间的关系。实验结果表明，该模型在两个生物医学数据集上的表现与最先进的神经模型相当，并且文中提到的所有图形类型对于交叉句关系提取都是有效的。
发现论文，激发创造
  • 句子内和跨句子边界的神经关系抽取

    本文提出了一种新的架构 iDepNN，它可以通过循环和递归神经网络对最短和增强的依赖路径进行建模，以从跨句子的实体对中提取关系，并在新闻和医学领域的数据集上实现了最新技术的表现和更好的精度和召回的平衡，在 BioNLP 共享任务 2016 中胜过了 11 个参赛队伍，并获得了 5.2％的 F1 增益。

    Oct, 2018

  • 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

  • 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

  • NC-DRE: 利用非实体线索信息进行文档级关系抽取

    通过引入 NC-DRE 图表模型的编码器 - 解码器框架，将非实体线索信息与图神经网络 (GNN) 进行解码器到编码器注意机制的协同作用，从而提高复杂跨句子关系的关系抽取效果。

    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

  • SEE: 基于语法感知的实体嵌入用于神经关系抽取

    本文提出了一种基于语法树和句子嵌入的远程监督关系抽取方法，使用句子和实体的嵌入对关系进行分类，实验结果表明这种方法在真实数据集上取得了最佳的性能。

    Jan, 2018

  • MIT 在 SemEval-2017 Task 10 中使用卷积神经网络进行关系提取

    本文介绍了一种基于卷积神经网络的系统，用于提取科学文章中的关系，其基于人工神经网络进行关系提取的方法近期得到了研究。该模型在 SemEval-2017 任务 10（ScienceIE）中的科学文章关系提取（子任务 C）中排名第一。

    Apr, 2017

  • 生物句间关系抽取的神经结构

    本文介绍了一种基于深度学习的跨句子关系抽取模型，以生物医学领域中的生化事件为例，探讨如何自动给生化事件赋予其所处的生物体系背景，并提出了两种不同的神经网络模型分类器，结果表明，该模型精度比传统机器学习模型更高，特别是在跨句子关系抽取方面的难度更高。

    Dec, 2021

  • 一种基于神经网络的文档级关系图提取边缘编辑方法

    本文介绍了一种新颖的边缘编辑方法，旨在从文档中提取关系信息，并将文档中的关系视为实体之间的关系图。我们利用预训练的 transformer 模型和图卷积神经网络模型对边缘进行分类，通过对初始图形的边缘进行编辑，构建关系图。我们将我们的方法应用于从材料科学文本中提取材料合成过程，并进行了实验证明。实验结果表明，我们的方法可以有效地编辑由我们内部基于规则系统和空图形引导的图形。

    Jun, 2021