Aug, 2020

基于实体和证据引导的 DocRED 关系抽取

PDF
TL;DR这篇论文提出了一种基于预训练语言模型的 E2GRE 框架，通过实体引导序列和内部注意概率作为额外特征，来帮助文献级关系抽取和证据预测，并取得了在 DocRED 数据集上最先进的结果。
document-level relation extractionentity-guided sequencespre-trained language modelevidence predictionstate-of-the-art results
发现论文，激发创造
  • Eider：基于高效证据提取和推理阶段融合的文档级关系抽取

    本文提出了一种证据增强的框架 Eider，该框架采用有效提取证据的方法并通过融合层推断有效结合提取的证据和完整文档，从而优化了基于整篇文档的关系抽取方法，实验证明 Eider 在三个基准数据集上优于现有最先进方法（例如 DocRED 上 Ign F1/F1 提高了 1.37/1.26）

    Jun, 2021

  • DREEAM：利用证据引导注意力以提升文档级关系抽取

    本文针对文档级别关系抽取中证据检索面临的内存消耗高和注释有限的问题，提出了 DREEAM 方法，其采用内存高效的方式指导 DocRE 系统将注意力集中于证据上并采用自学习策略从大量数据中自动生成证据，实验证明该方法在 DocRE 和 ER 方面取得了最先进的性能。

    Feb, 2023

  • 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

  • DocRED：大规模文档级关系抽取数据集

    本文介绍 DocRED 数据集，该数据集为文档级别中关系抽取 (Relation Extraction) 提供了一个新的方法，并提供了大规模的远程监督数据，以满足超级 / 弱监督训练需求。同时我们实验了目前最先进的方法，结果表明文档级别中关系抽取仍需要进一步的研究。

    Jun, 2019

  • 只需三句话：本地路径增强的文档关系提取

    该论文提出了一种简单而有效的文档级关系抽取方法，可结合 BiLSTM 使用少量证据句子识别给定实体对之间的关系，并在基准数据集上取得了优异的性能，甚至优于基于图神经网络的方法。

    Jun, 2021

  • 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

  • 关系抽取和分类的生成模型

    本文介绍了一个名为 GREC 的关系抽取和分类的生成模型，采用序列生成任务对关系进行建模，并探索了各种编码表示方法，提出了负采样和解码缩放技术，可实现一次性从句子中提取所有关系三元组，从而在三个基准关系抽取数据集上取得了最新的表现，虽然一次性处理比传统方法在效率上损失了一部分性能，但它更具计算效率。

    Feb, 2022

  • 基于多实例学习的实体级关系抽取端到端模型

    本文提出了一个联合模型，用于从文件中提取实体级别的关系。该模型在实体级别上操作，采用多任务方法，并通过多实例学习以及多级表示技术聚集相关信号，旨在提取文档中的关系。研究结果表明，该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时，实验结果表明，与特定任务学习相比，联合方法在参数共享和训练步骤方面更加高效。

    Feb, 2021

  • 基于预训练语言模型的上下文小样本关系抽取

    通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

    Oct, 2023

  • 基于相似度的增强记忆联合实体和关系抽取

    本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

    Jul, 2023