EMNLPApr, 2020

SelfORE: 自监督关系特征学习用于开放领域关系抽取

PDF
TL;DR本研究提出了一个自主提取的框架 (SelfORE)，通过利用大规模预训练语言模型，自适应聚类上下文化的关系特征，并通过改进关系分类的上下文化特征来引导自主提取过程，并在三个数据集上的实验结果表明 SelfORE 在与竞争基线的比较中，已实现了在开放领域的关系提取方面的有效性和鲁棒性。
open relation extractionself-supervised frameworkadaptive clusteringpretrained language modelrelation classification
发现论文，激发创造
  • 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

  • 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

  • PromptORE -- 一种全新的完全无监督关系提取方法

    本文提出了一种无监督的关系提取模型 PromptORE，通过嵌入表达关系的句子并进行聚类来发现候选关系，此模型较之现有的最先进模型在三个一般性和特定领域的数据集上均表现出优异的性能，在 B3，V-measure 和 ARI 上的相对改进达 40% 以上，并能够识别出语义相近的聚类，这是一种不需要超参数调整的模型。

    Mar, 2023

  • 一种面向关系的开放式关系抽取聚类方法

    本文提出一种关注于关系的聚类方法，使用已标注的关系数据训练模型，使聚类结果更符合关系的语义类别，旨在提高开放关系提取的准确性和效率。

    Sep, 2021

  • 主动监督聚类用于开放式关系抽取

    本文提出一种名为主动监督聚类的新颖设置，该设置可以交替执行聚类学习和关系标签，为聚类提供必要的指导，而不需要显着增加人力劳动。

    Jun, 2023

  • 无监督开放式关系抽取

    在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

    Jan, 2018

  • 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

  • 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

  • 无监督关系抽取的孪生表示学习

    无监督关系抽取中的 Siamese 表示学习框架通过利用正样本对关系表示进行学习，有效优化实例的关系表示并保留了关系特征空间中的层次信息，取得了显著的研究成果。

    Oct, 2023

  • 关系之间的关系：关系抽取问题的新范式

    本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法，不需要手工规则，能够完整考虑同一个上下文中的多个关系，并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证，证明该方法优于现有方法 1.12％到 2.55％不等。

    Jun, 2020