EMNLPSep, 2020

减小 Seq2Seq 模型在实体和关系联合抽取中的暴露偏差

PDF
TL;DR提出了一种 Sequence-to-Unordered-Multi-Tree 模型用于联合实体和关系提取，通过限制三元组内的解码长度和移除三元组之间的顺序等方法，最小化暴露偏差效应并提高泛化能力，实验表明该模型在 DuIE 和 NYT 数据集上取得了比 Seq2Seq 更好的效果。
发现论文，激发创造
  • 基于集合预测网络的实体和关系联合抽取

    本文提出一种用于实体抽取和关系提取的直接集合预测方法，通过应用 transformers 和非自回归并行解码的网络，以及基于二分图匹配的基于集合的损失函数，能更好地完成实体抽取和关系提取任务。

    Nov, 2020

  • SEQ^3: 可微分的序列到序列到序列自编码器用于无监督的抽象句子压缩

    本文介绍了一种基于序列 - 序列 - 序列自编码器 (SEQ^3) 的神经网络模型用于非监督抽象句子压缩，利用预训练语言模型作为潜变量的先验，结合连续的松弛机制使模型可优化，避免了对平行文本摘要对的依赖，实现了在基准数据集上取得了诱人的结果。

    Apr, 2019

  • 联合实体和关系抽取的有效级联双解码器模型

    本文提出了一种有效的两级解码器方法来从文本中提取重叠的关系三元组，该方法通过具有可训练嵌入的关系相关实体解码器和特定于文本语义的关系解码器来解决重叠三元组问题，并在两个公共数据集上取得了优异的性能。

    Jun, 2021

  • 关系抽取的标签增强序列生成

    本研究提出了一种改进的 Seq2Seq 模型（RELA），在关系抽取中应用自动标签扩充的文本生成技术，即以关系名或其同义词作为生成目标，并分析了该模型的行为。实验结果显示，相比先前的方法，RELA 在四个关系抽取数据集上取得了竞争性结果。

    Dec, 2022

  • 用两个燧石才能生火：神经关系和解释分类器的多任务学习

    我们提出了一种可解释的关系抽取方法，通过联合训练分类器和序列模型的标签在关系上下文中进行解释，采用半监督方法训练序列模型，将模型输出转换为规则，提高了关系分类器的性能。

    Apr, 2022

  • 联合实体和关系提取的编码器 - 解码器架构有效建模

    本文提出了两种使用编码器 - 解码器结构的方法来共同提取关系元组和实体，其中第一种方法采用关系元组表示方案，使解码器能够像机器翻译模型一样逐个单词生成，并仍然找到具有不同长度和重叠实体的所有元组，而第二种方法采用指针网络解码方法，每个时间步长生成整个元组。实验结果表明，本文提出的方法优于先前的工作，并实现了显着更高的 F1 分数。

    Nov, 2019

  • 关系抽取中处理零基数的两步方法

    本文中，我们通过增加零基数句子，对最先进的实体和关系提取模型进行了更加实际的实验设置与评估，结果表明这种情况下模型的 F1 得分明显下降，提出了基于 BERT 的两步建模方案，可以提高模型在这种实际情况下的性能。

    Feb, 2023

  • 优化大型语言模型的召回率：基于模型协作的关系三元组抽取方法

    本论文设计了一种评估过滤框架，将大型语言模型与小型模型整合在一起，用于处理关系三元组提取任务，以获得更准确的提取结果。评估模型能够高精度提取相关实体对，并通过简单的标注原则和深度神经网络对模型进行嵌入，将输出作为提示加入到大型模型的提取过程中。通过大量实验证明，该方法可以帮助大型语言模型从含有多个关系三元组的复杂句子中获得更准确的提取结果，同时也能够嵌入传统提取模型以提高其从复杂句子中的提取准确率。

    Apr, 2024

  • 通过互斥训练和基本增强引导组合性

    本文分析了 seq2seq 模型在系统化泛化能力方面的缺失，并提出了两种技术对其进行改进：互斥性训练和数据增强。这些技术的应用在常用的组合数据集（SCAN 和 COGS）中实现了显著的实证改进，并提供了进一步的分析和细节的方法探究。

    Nov, 2022

  • 二合一：使用表序列编码器进行实体和关系联合抽取

    本文介绍了一种新的表序列编码器，用于联合学习命名实体识别和关系提取这两个重要的基础问题，由于这种编码器由两个不同的编码器组成，可以在学习过程中捕捉到两种不同类型的信息，相较于现有方法，此模型在多个标准数据集上表现出了显著的改进。

    Oct, 2020