Sep, 2019

OpenNRE: 一个开放且可扩展的神经关系抽取工具

PDF
TL;DROpenNRE 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。
opennrerelation extractionneural modelsstructured relational factstensorflow
发现论文，激发创造
  • 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

  • 基于混合神经标注模型的开放关系抽取

    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。

    Jul, 2019

  • 使用 OpenIE 丰富化关系抽取

    本研究探讨了最近开放信息提取方法（OpenIE）如何通过将句子的结构信息编码为向量表示来改进关系提取（RE）的任务，实验结果表明，使用 OpenIE 以及 BERTFine-tune 的方法可以改善 RE 的效果。

    Dec, 2022

  • 基于深度神经网络的关系抽取综述

    该研究论文介绍了知识在自然语言处理中的重要性，并综述了基于深度神经网络的关系抽取技术，包括有监督和远程监督方法。此外，还讨论了该技术的一些新方法和未来研究方向。

    Jan, 2021

  • 深度学习在关系抽取中的综合调查：最新进展与新前沿

    本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。

    Jun, 2023

  • 现实世界中基于半监督的开放式通用关系发现

    这篇论文提出了一种名为 KNoRD 的方法，该方法在未标记数据中识别明确和隐含的关系，并有效地分类已知和新的关系类别，是 Open-world Relation Extraction 领域的最新研究成果。

    May, 2023

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • 活跃关系发现：面向通用和标签感知的开放关系抽取

    提出了 Active Relation Discovery (ARD) 框架，利用关系离群点检测识别社区中已知和新颖的关系，并介绍了有关人类可读和有意义的类型的活动学习，以便为新颖关系进行标记。此框架在传统和新提出的 OpenRE 设置下在三个真实世界的数据集上进行了广泛的实验，结果表明其性能显著优于以前的最先进方法。

    Nov, 2022

  • 基于对话的关系抽取

    本文介绍了第一个人工注释的基于对话的关系抽取（RE）数据集 DialogRE，用于支持在对话中预测两个参数之间的关系，尤其是涉及多个句子的跨句子 RE 任务，并基于分析指出演讲者相关信息在该任务中发挥了关键作用。在提出一个新的评估指标以评估在会话环境中进行 RE 方法的性能之后，本文研究了几种常用的 RE 方法在 DialogRE 数据集上的表现，并通过实验证明，最佳表现模型的扩展可以在标准和会话环境的评估设置中都取得收益。

    Apr, 2020

  • AutoRE：基于大型语言模型的文档级关系抽取

    通过引入 AutoRE 模型和 RHF (Relation-Head-Facts) 的新型 RE 提取范式，结合 QLoRA (Parameters Efficient Fine Tuning) 算法构建了一个易于扩展的 DocRE 框架，在 RE-DocRED 数据集上展现了最佳性能，超过 dev 和 test 集合上分别为 TAG 10.03% 和 9.03% 的最新结果。

    Mar, 2024