EMNLPSep, 2019

利用世界知识奖励指代消解器的一致性

PDF
TL;DR通过将 coreference resolver 的输出输入 relation extraction 系统，根据其在知识库中的三元组进行奖励，使用多任务强化学习获得最佳性能，改善了 coreference resolver 的性能。
coreferencerelation extractionknowledge triplesrewardmulti-task reinforcement learning
发现论文，激发创造
  • 知识感知代词指代消解

    本文探索了如何利用不同类型的知识图谱来更好地解决代词共参问题，并提出了一种知识注意力模块，以选择性地使用信息化知识来增强模型，实验结果表明，在不同领域的两个数据集上，我们的模型优于现有技术，并在跨领域的情况下也表现出更好的性能。

    Jul, 2019

  • 基于 Actor-Critic 学习的混合规则 - 神经共引消解系统

    本文提出了基于演员 - 评论家学习的混合规则 - 神经共指消解系统，它通过利用启发式规则和神经共指消解模型的优点来实现更好的共指性能。此端到端系统还可以通过使用联合训练算法执行提及检测和消解，并使用 BERT 模型生成输入跨度表示。我们的模型在 CoNLL-2012 Shared Task 英文测试集上使用 BERT 跨度表示实现了最新的最佳性能。

    Dec, 2022

  • 基于深度强化学习的提及排序共指消解模型

    本文介绍一种使用强化学习进行共参照消解的方法，采用最大边际目标函数，使得在英文和中文 CoNLL 2012 共享任务上表现显著优于现有的技术水平。

    Sep, 2016

  • CorefDRE：使用指代消解的文档级关系抽取

    本文旨在从多个句子构成的文档中提取关系事实。通过使用异构图构建和核心指代消解处理，作者提出了一个基于图推理网络的注意指代消解的方法来增强语义信息和降低噪声，并在 DocRED，DialogRE 和 MPDD 三个公共数据集上进行了实验，证明其在文档关系抽取领域超越了目前最先进的技术水平。

    Feb, 2022

  • 解决难核指代问题

    提出了一种基于谓词模式和受限优化框架的代表性算法，用于解决自然语言理解中的指称消解问题，特别是针对代词的困难实例。该算法通过无监督方式获取知识，编译自动约束，显著提高了 “Winograd-style” 难例的性能，并在标准指称消解数据集上表现出最先进的水平。

    Jul, 2019

  • 通过学习实体级分布式表示来提高共指消解

    通过使用神经网络和学习搜索算法，本研究提出了一种基于实体级信息的代指消解系统，其在 CoNLL 2012 共享任务数据集的英语和中文部分上，即使使用了很少的手工特征，也显著优于当前最先进的技术。

    Jun, 2016

  • GPT 知道谁是谁

    通过问题引导的工程方法，我们测试了更大的模型对 coreference resolution 任务的可行性，研究表明，GPT-2 和 GPT-Neo 可以返回有效的答案，但其识别 coreferent mentions 的能力受到提示敏感性的限制，导致结果不一致。

    May, 2022

  • 实体核指关联的无监督排名模型

    本文提出了一个基于生成模型，引入 resolution mode 变量的无监督排名模型，用于实体的共指消解。该无监督系统在 CoNLL-2012 共享任务的英文数据上，通过 CoNLL 指标得分为 58.44%，超过了 Stanford 确定性系统（Lee et al.，2013）3.01% 的得分。

    Mar, 2016

  • 基于网络的无监督对象和关系同义词确定方法

    本研究探讨了一种无监督信息提取场景下的同义词识别方法，它引入了可扩展的基于概率关系模型的 Resolver 系统，其在使用来自网络的两百万断言集进行测试时，对于确定同一对象和关系的任务，分别具有 78% 和 90% 的准确度和 68% 和 35% 的召回率，而且可以通过一些变化提高效果。此系统还扩展了处理多义名词的能力。

    Jan, 2014

  • 缩小建模差距：一种集群排序方法用于共指消解

    提出了一种基于聚类排名的共指解析方法，该方法结合了提及排名和实体 - 提及模型的优点，并通过两个扩展来改进聚类排名者的性能： (1) 词汇化和 (2) 通过联合建模代表性确定和共指解析来结合关于先行词类型的知识。实验结果表明，与竞争方法相比，此方法具有卓越的性能，并且我们的两个扩展措施是有效的。

    Jan, 2014