ACLJun, 2019

DocRED：大规模文档级关系抽取数据集

PDF
TL;DR本文介绍 DocRED 数据集，该数据集为文档级别中关系抽取 (Relation Extraction) 提供了一个新的方法，并提供了大规模的远程监督数据，以满足超级 / 弱监督训练需求。同时我们实验了目前最先进的方法，结果表明文档级别中关系抽取仍需要进一步的研究。
relation extractiondocument-level entity relationdocrednamed entity recognitiondistantly supervised data
发现论文，激发创造
  • 重访 DocRED -- 在关系抽取中解决假阴性问题

    本文针对 DocRED 数据集中占主导地位的漏报问题进行了研究，并通过重新注释数据集来修复该问题，重新命名为 Re-DocRED 数据集，同时实验结果表明使用 Re-DocRED 数据集进行训练和评估可以获得 13 个 F1 分数的性能提升。

    May, 2022

  • BioRED：一份丰富的生物医学关系提取数据集

    本文提出了一个多实体类型和多关系对的文献级生物医学关系抽取数据集 BioRED，包括新发现和先前已知的信息，旨在评估现有状态下的自动化算法，为更准确、高效和稳健的生物医学关系系统的开发奠定基础。

    Apr, 2022

  • 文档级关系抽取综述（2016-2022）

    本文提供了对最近在文档级关系提取领域的发展的全面概述，并强调了它与句子级关系提取的不同应用。

    Sep, 2023

  • HistRED：历史文档级关系抽取数据集

    研究通过 HistRED 数据集中的 Hanja 和韩国文本，提出了一种双语关系抽取模型，证明多语言背景可以补充关系抽取预测。

    Jul, 2023

  • 自适应焦点损失和知识蒸馏的文档级关系抽取

    本文提出了一个半监督框架，包含三个新组件，针对文档级关系抽取任务进行优化，通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题，以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型，并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。

    Mar, 2022

  • DocRED-FE：一个基于文档的细粒度实体和关系抽取数据集

    本文介绍了构建大规模文档级细粒度实体和关系提取（JERE）数据集 DocRED-FE 的方法，着重于实体类型细粒度化，包括重新设计实体类型分层结构和 119 个细粒度类型，通过丰富的实验发现 DocRED-FE 对现有 JERE 模型提出挑战，并且 Fine-Grained 实体类型有助于关系分类。

    Mar, 2023

  • 基于实体和证据引导的 DocRED 关系抽取

    这篇论文提出了一种基于预训练语言模型的 E2GRE 框架，通过实体引导序列和内部注意概率作为额外特征，来帮助文献级关系抽取和证据预测，并取得了在 DocRED 数据集上最先进的结果。

    Aug, 2020

  • 照应辅助的文档级关系抽取

    我们提出了一种基于指代辅助的框架用于文档级关系抽取任务，实验结果表明我们的模型取得了最先进的性能。

    Oct, 2023

  • 面向文档级关系抽取的辨别性和鲁棒性融合

    本文针对文档级关系抽取问题，设计一种具有高区分性和鲁棒性的方法，包括有效的损失函数，熵最小化和有监督对比学习，新颖的负标签采样策略，并在新的数据情境下进行评估。实验结果表明，该方法在 DocRED 数据集，Re-DocRED 和提出的数据情境下取得了最新的最优结果。

    Apr, 2023

  • 利用显式语法优化和子句建模提升文档级关系抽取

    该研究提出了一种新的基于显式句法改进和子句建模的文档层面关系抽取框架（LARSON），该框架旨在更好地捕获和利用指导信息，进而提高文档内实体之间语义关系的准确性。实验结果表明，LARSON 在三个基准数据集上的性能优于现有方法。

    Nov, 2022