Nov, 2019

基于句法连接和语义一致性的定义提取联合模型

PDF
TL;DR本研究提出了一种使用深度学习与多任务学习框架，包含图卷积神经网络的新模型，用于识别非结构化文本中术语和对应定义的定位，旨在使分类任务和序列标注任务相互促进，提高表示向量的质量以及识别效率。
definition extractioninformation extractiondeep learningmulti-task learninggraph convolutional neural networks
发现论文，激发创造
  • 基于新的分解策略的实体和关系联合抽取

    本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三个公共数据集上优于先前的工作，达到了 21.5% 的新最优 F1 分数。

    Sep, 2019

  • DEIM：一种有效的句子匹配深度编码与交互模型

    通过深度编码和交互来提取深层语义信息的句子匹配方法，使用自注意机制和双向注意机制获得深层语义信息并进行分类，适用于文本蕴含识别、释义识别和答案选择，实验证明其可有效提取深层语义特征并验证其在句子匹配任务中的有效性。

    Mar, 2022

  • 基于相似度的增强记忆联合实体和关系抽取

    本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

    Jul, 2023

  • 基于语义分割的文档级关系抽取

    本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

    Jun, 2021

  • 基于依存结构的多粒度标签细化网络，用于联合意图检测和槽位填充

    本文提出一种基于依存结构和标签语义嵌入的多粒度标签精炼网络，利用图注意层介绍了句子的依存结构来增强句法表示，通过注意机制将任务特定的特征与相应的标签嵌入相结合捕获语法信息和任务标签之间的语义依赖关系。在两个公共数据集上的实验结果表明，我们的模型取得了竞争性能。

    Sep, 2022

  • 实体和关系的联合提取的解耦和聚集框架

    我们提出了一种新模型，旨在联合提取实体和关系，通过解耦特征编码过程并使用细粒度的子任务特定特征以及采用新的信息交互策略来增强模型性能，并在实验中展现了优于现有模型的结果。

    May, 2024

  • UPB 在 SemEval-2020 任务 6 中：预训练语言模型用于定义提取

    本研究使用多个预训练语言模型，包括 BERT、XLNet、RoBERTa、SciBERT 和 ALBERT，通过冻结和微调它们的权重，并探索多任务架构，以解决 SemEval-2020 中的三个 DeftEval 子任务，最终取得 32 和 37 名的成绩。

    Sep, 2020

  • DefExt: 一种半监督的定义提取工具

    DefExt 是一种易于使用的半监督定义抽取工具，基于有条件的随机场算法和自举方法，逐渐使模型更加了解目标语料库中的特点，主要组件包括序列标注算法和自举方法，经过自动和手动评估后，我们公开了 DefExt 作为开源工具，并提供了训练和测试数据以供使用。

    Jun, 2016

  • 使用图卷积网络沿最短依赖路径进行联合事件抽取

    本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架，该框架可同时抽取多个事件触发器和参数，并捕捉参数之间的关联信息，实现对长距离依赖关系的建模，达到了与最先进方法的实质性改进。

    Mar, 2020

  • 结构语义匹配实现联合事件抽取

    本研究提出了一种基于深度学习的 NLP 模型，利用语义类型嵌入和动态结构编码器模块进行事件抽取和论证角色提取，用于信息抽取的关键任务之一的事件提取，并在 ACE2005 数据集上取得了显著的性能提升。

    Jun, 2023