ACLMay, 2020

基于潜在结构微调的文档级关系抽取推理

PDF
TL;DR本研究提出了一种利用自动带引的潜在文档级图进行跨句子的关系推理的方法，并通过增量聚合相关信息来提高多跳推理的准确性，取得了在 DocRED，CDR 和 GDA 数据集上的最新最优性能。
document-level relation extractionlatent graphmulti-hop reasoningf1 scoreinter-sentence relations
发现论文，激发创造
  • 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

  • 基于跨句推理图的文档级关系抽取

    本文提出了一种新颖的文档级关系抽取模型 GRACR，其中构建了一个简化的语义图来建模文档中的所有实体和句子信息，以及一个实体级图来探索长距离跨句子实体对的关系。经实验证明，在文档级别关系抽取任务上，该方法取得了优秀的性能，并且在提取跨句子实体对的潜在关系方面尤其有效。

    Mar, 2023

  • 利用显式语法优化和子句建模提升文档级关系抽取

    该研究提出了一种新的基于显式句法改进和子句建模的文档层面关系抽取框架（LARSON），该框架旨在更好地捕获和利用指导信息，进而提高文档内实体之间语义关系的准确性。实验结果表明，LARSON 在三个基准数据集上的性能优于现有方法。

    Nov, 2022

  • 基于双图推理的文档级关系抽取

    本文提出了一种名为 GAIN 的双重图聚合和推理网络，利用异构提及级别图来建模文档中不同提及之间的复杂互动，另外构造一个实体级别图，并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明，GAIN 相对于之前的最先进技术获得了显著的性能提高（F1 值提高了 2.85 个点）且代码已经公开。

    Sep, 2020

  • 照应辅助的文档级关系抽取

    我们提出了一种基于指代辅助的框架用于文档级关系抽取任务，实验结果表明我们的模型取得了最先进的性能。

    Oct, 2023

  • 基于判别式推理的文档级关系抽取

    本文提出了一种新颖的判别推理框架来显式地建模文档中每对实体对之间的推理路径，并利用构建的图形和每个实体对的矢量化文档上下文来估计不同的推理路径的关系概率分布，从而识别它们的关系，实验证明我们的方法在大规模 DocRE 数据集上优于之前的最优表现。

    Jun, 2021

  • 基于大语言模型的远程监督半自动文档级关系抽取数据增强

    通过集成大型语言模型和自然语言推理模块，我们提出一种自动标注方法来生成关系三元组，从而增强文档级关系数据集，我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性，该方法在重新注释众多长尾关系类型方面表现出色，并且在推进广义语言语义理解方面提供了实际好处。

    Nov, 2023

  • 面向文档级关系抽取的模块化自监督

    该研究提出了一种将文档级关系抽取分解成关系检测和参数分辨的方法，利用显式语篇建模和模块化自我监督来进行改进，并在生物医学阅读中进行了细致的评估，其方法优于以往的最先进技术。

    Sep, 2021

  • 自适应焦点损失和知识蒸馏的文档级关系抽取

    本文提出了一个半监督框架，包含三个新组件，针对文档级关系抽取任务进行优化，通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题，以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型，并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。

    Mar, 2022

  • 通过建模提及之间的潜在关系来提高实体链接

    本研究提出了一种新的神经实体链接模型，将实体链接中的关系视为潜在变量，并在优化实体链接系统的同时诱导这些关系，同时取得了 AIDA-CoNLL 基准测试上最好的结果。

    Apr, 2018