ACLApr, 2020

无监督关系抽取再审视

PDF
TL;DR通过使用命名实体来诱导关系类型，我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术，并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。
unsupervised relation extractionnamed entitiesgenerative approachesdiscriminative approachesentity types
发现论文，激发创造
  • 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

  • HiURE: 分层范例对比学习用于无监督关系抽取

    提出了一种名为 HiURE 的对比学习框架，它能够利用交叉层次注意力从关系特征空间中得出层次信号，并在基于实例的对比学习下有效地优化句子的关系表示，从而在无监督关系提取中表现出先进的效果和鲁棒性。

    May, 2022

  • 通过增加多样的句对改进无监督关系抽取

    通过增强连接句对的多样性和增强对比学习的差别性能，我们提出了 AugURE 方法，并针对关系表示学习中的噪声对比估计损失限制，应用边界损失进行句对学习，实验结果表明该方法取得了最先进的性能。

    Dec, 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

  • 关系抽取：综述

    本文介绍了关系抽取（RE）的若干重要的监督、半监督和无监督技术，以及开放信息抽取（OIE）和远程监督的范例，最后描述了近期 RE 技术和未来研究方向。这篇综述对于领域的新手、研究人员和实践者都有用。

    Dec, 2017

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020

  • 远程监督关系抽取综述：以去噪和预训练方法为重点

    关系抽取（RE）是自然语言处理的基础任务，本文综述了四个阶段的 RE 方法，包括模式匹配、统计、神经网络和大型语言模型，并着重介绍了现代 RE 方法的远程监控和去噪预训练方法。

    Jul, 2022

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 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

  • 利用关系外知识库作为监督进行关系发现

    本文研究了如何使用 “非关系型知识库” 监督从给定语料库中发现未见过的关系，我们提出了一种基于知识库嵌入的实体对约束方法，并将其与变分自编码算法相结合，实验表明这种新方法可以大幅提高现有的关系发现性能。

    Apr, 2019