EMNLPJun, 2020

关系之间的关系：关系抽取问题的新范式

PDF
TL;DR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。
relation extractiongraph neural networksrelation of relationsdata-driven approachstate-of-the-art
发现论文，激发创造
  • 大语言模型时代下关系抽取的再审视

    本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

    May, 2023

  • 深度学习在关系抽取中的综合调查：最新进展与新前沿

    本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。

    Jun, 2023

  • 以实体为中心的跨文档关系抽取

    本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型，与现有方法比较，在 CodRED 数据集上取得至少 10％ 的 F1 值的提升，从而展示其在跨文档关系提取中的有效性。

    Oct, 2022

  • 使用显式上下文条件的关系抽取

    该研究提出了计算上下文标记间隐式关系并与一阶关系得分相结合，以改进关系抽取模型性能的方法。在两个生物医学数据集上得到了最优结果。

    Feb, 2019

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • 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

  • 一种极简单的对话关系提取模型

    本文提出了一种名为 SimpleRE 的简单而有效的对话关系提取模型，通过一种新颖的输入格式 BRS 捕捉了对话中多个关系间的相互关联，并通过关系细化门（RRG）以自适应的方式提取关系特定的语义表示。实验表明，SimpleRE 在 DialogRE 数据集上取得了最好的性能，并且没有使用外部资源就优于所有直接基线在句级关系提取上的表现。

    Dec, 2020

  • 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

  • 更多数据、更多关系、更多上下文和更多开放：关系抽取综述与展望

    本文回顾了现有的关系抽取方法，分析了当前面临的关键挑战，并展示了通向更强大的关系抽取的有前途的方向。

    Apr, 2020

  • AutoRE：基于大型语言模型的文档级关系抽取

    通过引入 AutoRE 模型和 RHF (Relation-Head-Facts) 的新型 RE 提取范式，结合 QLoRA (Parameters Efficient Fine Tuning) 算法构建了一个易于扩展的 DocRE 框架，在 RE-DocRED 数据集上展现了最佳性能，超过 dev 和 test 集合上分别为 TAG 10.03% 和 9.03% 的最新结果。

    Mar, 2024