Nov, 2019

嘈杂的句子是否对远程监督关系抽取毫无用处？

PDF
TL;DR本文提出了一种利用无监督深度聚类技术解决噪声标注问题的远程监督关系抽取模型，包括句子编码器、噪声检测器和标签生成器，实验证明该模型在常用基准数据集上优于现有的同类模型，并能够应对噪声标注问题。
distant supervised relation extractionnoisy labeling problemunsupervised deep clusteringsentence encoderlabel generator
发现论文，激发创造
  • 一种基于数据驱动的方法用于远程监督下的生物医学关系抽取中的噪声削减

    使用多实例学习和 BERT 模型，我们提出了一个简单的数据编码方案，以降低噪音并获得了远程监控生物医学关系提取的最新性能，同时进一步编码关于关系三元组方向的知识，从而减少噪音并减轻了与知识图完成的联合学习的需要。

    May, 2020

  • 使用神经噪声转换器和条件最优选择器改进远程监督关系抽取

    本文提出了一种基于神经噪声转换器方法和条件最优选择器的远程监督关系抽取方法，以减轻噪声数据造成的影响并帮助进行准确预测，实验证明该方法在大数据集中的效果显著提高。

    Nov, 2018

  • 利用强化学习从嘈杂数据中进行关系分类

    本文提出了一种新的基于句子级别的关系分类模型，通过强化学习筛选高质量句子并将其输入到关系分类器中，实现了从嘈杂数据中对关系进行分类的效果优化。

    Aug, 2018

  • 通过负样本训练进行句子级远程关系抽取

    本文提出了一种远程关系抽取的句子级框架，其中包括使用负面训练（NT）对数据集进行清洗和重新标记。 实验结果表明，该方法在句子级别评价和去噪效果上显著优于先前方法。

    Jun, 2021

  • 深度强化学习下的强健远程监督关系抽取

    研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声，进而将它们分配为负面样本以解决误报问题，实验表明该方法显著提高了远程监督方法的性能。

    May, 2018

  • 重新审视远程监督关系抽取的负数据

    本文提出了一种名为 ReRe 的管道方法，通过句子级别的关系检测和主谓对象提取来实现样本有效训练，将关系抽取问题转化为正无标记学习任务，缓解了负样本引起的误差问题，实验结果表明，该方法能够持续超越现有方法并且即使在学习大量的假阳性样本时仍保持良好的性能。

    May, 2021

  • 融合远程和直接监督的神经关系抽取

    本研究提出了一种改进的神经网络关系抽取模型，该模型采用直接监督数据来提高注意力机制的性能，同时使用远程监督数据帮助识别噪声标注，实验结果在 FB-NYT 数据集上取得了最新的最优性能。

    Oct, 2018

  • 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

  • 噪声鲁棒学习的远程监督联合实体和关系抽取

    用一个模型识别实体对及其关系的联合实体和关系抽取任务中，存在嘈杂标签的问题。为了填补这个空白，我们引入了一种新的噪音鲁棒方法，可以同时进行实体和关系检测，并使用一个新的损失函数惩罚与显著关系模式和实体关系依赖性不一致的情况，以及一个自适应学习步骤迭代地选择和训练高质量实例。在两个数据集上的实验证明，我们的方法在联合抽取性能和噪音减少效果方面优于现有的最新方法。

    Oct, 2023

  • 应用内部句子噪声降低和转移学习的神经关系抽取

    通过引入 Sub-Tree Parse 和基于迁移学习的先验知识，我们提出了一种新的基于词级级别远程监督的关系提取方法，可以从自动构建的包含噪声词语的低质量句子数据集中提取关系，实验结果表明我们的方法相对现有最优工作提高了 Precision/Recall (PR) 的面积从 0.35 到 0.39.

    Aug, 2018