ACLJun, 2019

基于注意力引导的图卷积神经网络用于关系抽取

PDF
TL;DR本研究提出了一种新模型 ——AGGCNs，该模型通过自动学习选择性地关注依存树的相关子结构，有效地利用依存树的结构信息来提取实体之间的关系，从而在交叉句 n 元关系抽取和大规模句子级关系抽取等多项任务中均优于现有方法。
dependency treesrelation extractionaggcnsattentionstructural information
发现论文，激发创造
  • 基于修剪依存树的图卷积改善关系抽取

    本文提出了一种基于图卷积网络的关系抽取模型，针对依存句法树存在的缺陷进行了改进，通过保留两个实体间最短路径周围的词语并采用并行化方法来高效地汇总任意依存句法结构中的信息，最终在大规模 TACRED 数据集上取得最先进的性能，且与序列模型互补，二者结合可以进一步提高性能。

    Sep, 2018

  • 基于注意力机制的图卷积网络，融合潜在结构和多个特征

    本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积（AGC）方法以及基于该方法的用于分类和预测点云标签的图神经网络（GNN）模型，实验结果表明，所提出的 GNN 性能优于现有方法。

    Mar, 2023

  • 用于命名实体识别的图卷积网络

    本文研究了依赖树在使用一组 GCN 的命名实体识别器中的作用。我们对不同的 NER 架构进行比较，并表明一句话的语法对结果产生积极影响。在 OntoNotes 数据集上的实验表明，在不需要大量特征工程或额外的语言特定知识的情况下，可以实现一致的性能改进。

    Sep, 2017

  • QAGCN：基于图卷积网络的多关系问题回答系统

    本研究提出了 QAGCN—— 一种简单而有效的使用注意力图卷积网络的多步推理问题答案推导模型，避免了传统复杂推理机制的不稳定性和低至。经过广泛的实验，我们证明了 QAGCN 在几个具有挑战性的数据集上与当前最先进的基于深度强化学习的方法相比非常有竞争力，提高了效率并保持了高的解释性。

    Jun, 2022

  • 用于句法感知神经机器翻译的图卷积编码器

    这篇研究论文介绍了一种简单有效的方法来将句法结构融入到神经注意力编码解码模型中，以实现机器翻译。文中使用了预测的源句子句法依赖树，用于生成敏感于句法周边的单词表示，以达到最佳效果。研究的实验结果表明，在英德翻译和英捷翻译方面的所有设置中，与其不考虑语法结构的版本相比，该方法均有显著的改善。

    Apr, 2017

  • ConstGCN：基于约束传输的图卷积网络用于文档层级关系提取

    本文提出 ConstGCN 模型，利用基于知识的信息传播不需要事先构建图来解决训练和推理之间的图构建鸿沟，性能优于先前的最先进方法。

    Oct, 2022

  • 基于边缘注意力的多关系图卷积网络

    该论文提出了一种基于边注意力的多关系图卷积网络 (EAGCN) 模型，可用于多个化学数据集中学习化合物的属性，通过设计边注意力字典以及在不同分子中查找该字典以形成每个分子的注意力矩阵，进而实现对不同分子大小的聚合节点特征预测的独立性。

    Feb, 2018

  • 基于注意力机制的图聚类网络

    提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

    Aug, 2021

  • 结构化注意力网络

    本文研究了如何将更丰富的结构分布用于深度神经网络中的嵌入式分类推理，通过两种不同的结构注意力网络：线性链条件随机场和基于图形的解析模型的实验，展示了这些结构的注意力网络超过了基线的注意力模型在各种合成和真实任务中的表现。

    Feb, 2017

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019