AAAINov, 2019

联合实体和关系提取的编码器 - 解码器架构有效建模

PDF
TL;DR本文提出了两种使用编码器 - 解码器结构的方法来共同提取关系元组和实体，其中第一种方法采用关系元组表示方案，使解码器能够像机器翻译模型一样逐个单词生成，并仍然找到具有不同长度和重叠实体的所有元组，而第二种方法采用指针网络解码方法，每个时间步长生成整个元组。实验结果表明，本文提出的方法优于先前的工作，并实现了显着更高的 F1 分数。
relation tuplesentitiesencoder-decoder architecturemachine translation modelspointer network-based decoding
发现论文，激发创造
  • 联合实体和关系抽取的有效级联双解码器模型

    本文提出了一种有效的两级解码器方法来从文本中提取重叠的关系三元组，该方法通过具有可训练嵌入的关系相关实体解码器和特定于文本语义的关系解码器来解决重叠三元组问题，并在两个公共数据集上取得了优异的性能。

    Jun, 2021

  • 一种简单易行的实体和关系抽取方法

    本研究提出了一种简单的流水线方法来进行实体和关系抽取，并在标准基准测试中确立了新的最佳结果，通过对实体和关系进行不同的上下文表示，融合实体信息来提高性能，同时在全局上下文中引入信息以提高准确性。

    Oct, 2020

  • 一种自回归的文本到图形框架用于联合实体和关系抽取

    我们提出了一种新的方法，将无结构文本中的实体和关系提取作为条件序列生成问题，采用基于跨度的方法生成线性化图，其中节点表示文本跨度，边表示关系三元组。通过跨度表示，我们的模型可以捕捉实体和关系的结构特征和边界，并通过指向机制将生成的输出与原始文本进行关联。基准数据集上的评估验证了我们方法的有效性，展示了竞争性的结果。

    Jan, 2024

  • 二合一：使用表序列编码器进行实体和关系联合抽取

    本文介绍了一种新的表序列编码器，用于联合学习命名实体识别和关系提取这两个重要的基础问题，由于这种编码器由两个不同的编码器组成，可以在学习过程中捕捉到两种不同类型的信息，相较于现有方法，此模型在多个标准数据集上表现出了显著的改进。

    Oct, 2020

  • BED：用于规范关系抽取的双编码器 - 解码器模型

    本研究提出了一种新的框架，Bi-Encoder-Decoder (BED)，用于解决规范化关系提取中的实体信息利用、新实体表示、性能提升等问题。实验结果表明，该方法在两个数据集上性能显著优于之前的最优方法，并能够良好处理新实体而无需重新训练。

    Dec, 2023

  • 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

  • 基于集合预测网络的实体和关系联合抽取

    本文提出一种用于实体抽取和关系提取的直接集合预测方法，通过应用 transformers 和非自回归并行解码的网络，以及基于二分图匹配的基于集合的损失函数，能更好地完成实体抽取和关系提取任务。

    Nov, 2020

  • 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

  • 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

  • 实体关系抽取的有效多任务交互：带有选择循环网络的统一框架

    提出一种新的联合框架，将实体关系抽取重新定义为统一的跨度抽取任务，利用选择递归网络作为共享编码器设计两种顺序信息传播策略来实现命名实体识别和关系抽取的交互作用，实现了 NER 和 RE 的相互利益。在 ACE05 和 SciERC 两个公共基准测试集上实验表明，我们的方法可以实现最先进的结果。

    Feb, 2022