Jul, 2019

基于混合神经标注模型的开放关系抽取

PDF
TL;DR本研究提出了一种基于序列标注与双重感知机制（Local-aware Attention 和 Global-aware Convolution）的混合神经网络模型（HNN4ORT），以克服 Open relation extraction 任务中训练数据不足与特定神经结构建模的问题，并通过多种测试表明其显著的性能优势。
open relation extractionsupervised deep learningneural network modelsequence taggingdual aware mechanism
发现论文，激发创造
  • SelfORE: 自监督关系特征学习用于开放领域关系抽取

    本研究提出了一个自主提取的框架 (SelfORE)，通过利用大规模预训练语言模型，自适应聚类上下文化的关系特征，并通过改进关系分类的上下文化特征来引导自主提取过程，并在三个数据集上的实验结果表明 SelfORE 在与竞争基线的比较中，已实现了在开放领域的关系提取方面的有效性和鲁棒性。

    Apr, 2020

  • MORE: 基于度量学习的开放领域关系抽取框架

    MORE 利用深度度量学习从标注数据中获取丰富的监督信号，并直接驱动神经模型学习语义关系表示，提高开放域关系抽取 OpenRE 的效率和性能。

    Jun, 2022

  • 关系之间的关系：关系抽取问题的新范式

    本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法，不需要手工规则，能够完整考虑同一个上下文中的多个关系，并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证，证明该方法优于现有方法 1.12％到 2.55％不等。

    Jun, 2020

  • 一种面向关系的开放式关系抽取聚类方法

    本文提出一种关注于关系的聚类方法，使用已标注的关系数据训练模型，使聚类结果更符合关系的语义类别，旨在提高开放关系提取的准确性和效率。

    Sep, 2021

  • PromptORE -- 一种全新的完全无监督关系提取方法

    本文提出了一种无监督的关系提取模型 PromptORE，通过嵌入表达关系的句子并进行聚类来发现候选关系，此模型较之现有的最先进模型在三个一般性和特定领域的数据集上均表现出优异的性能，在 B3，V-measure 和 ARI 上的相对改进达 40% 以上，并能够识别出语义相近的聚类，这是一种不需要超参数调整的模型。

    Mar, 2023

  • OpenNRE: 一个开放且可扩展的神经关系抽取工具

    OpenNRE 是一个开源的可拓展工具包，它提供了一个统一的框架来实现神经模型用于关系抽取。通过实现典型的关系抽取方法，OpenNRE 不仅允许开发人员训练定制模型来从纯文本中提取结构化关系事实，同时也支持快速模型验证以满足研究者的需求。此外，OpenNRE 基于 TensorFlow 和 PyTorch 提供各种功能性的关系抽取模块来维护充分的模块化和可扩展性，从而可以更容易地将新模型纳入工具包。除了工具包之外，我们还发布了一个在线系统，以满足实时提取而无需任何训练和部署。同时，该在线系统还可以在各种场景中提取事实，并将提取的事实与维基数据进行对齐，这可能有益于各种下游的知识驱动应用（例如信息检索和问题回答）。更多工具包和在线系统的细节可以从此 http URL 中获取。

    Sep, 2019

  • 联合实体和关系提取：基于跨度修剪和超图神经网络

    我们提出了一种基于超图神经网络的 PL-marker 模型的 Entity and Relation Extraction (ERE) 方法，采用高召回修剪机制来减轻错误传播，并在建立的超图上运行超图神经网络进行高阶推理，实验结果显示在 ERE 任务上相较于之前最先进的 PL-marker 模型有明显的提升。

    Oct, 2023

  • NERO: 基于神经网络的规则接地框架用于标签有效的关系提取

    本文提出了一种基于标注规则的神经方法 NERO，可以通过自动标注和软匹配，增强神经关系提取模型的监督学习效果，实验结果表明 NERO 模型的效果表现优秀。

    Sep, 2019

  • 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

  • 大语言模型时代下关系抽取的再审视

    本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

    May, 2023