AAAISep, 2020

基于强化学习的 N 元交叉句子关系抽取

PDF
TL;DR本文提出了一种新的句子分布估计模型和全新的关系抽取器，通过较弱的远程监督假设以及两级强化学习模型选择正确标记的句子来解决嘈杂数据的影响，最终达到比基线模型更好的 n-ary 跨句子关系提取任务性能。
n-ary cross sentence relation extractiondistant supervisionagent reinforcement learningattention mechanismpcnn
发现论文，激发创造
  • 跨句远程监督关系抽取

    本研究提出了首个远程监督应用于跨句关系抽取的方法，基于图形表示从多条路径中提取特征，实验表明我们的方法可以学习一种准确的跨句提取器，并提取了两倍于现有远程监督范例的关系，从而证明了跨句关系的普遍存在和本方法的优越性。

    Sep, 2016

  • 使用图神经网络 LSTM 进行跨句子的 N 元关系抽取

    本文提出了一种基于图形 LSTM 网络的关系抽取框架，可用于跨句子的 n 元关系抽取，并在两个重要的精准医学设置中进行了评估，证明了其有效性，同时也说明了多任务学习和跨句子抽取的重要性。

    Aug, 2017

  • 利用强化学习从嘈杂数据中进行关系分类

    本文提出了一种新的基于句子级别的关系分类模型，通过强化学习筛选高质量句子并将其输入到关系分类器中，实现了从嘈杂数据中对关系进行分类的效果优化。

    Aug, 2018

  • 多尺度表示学习在文档级 N 元关系抽取中的应用

    本文提出了一种新颖的多尺度神经架构，以文档级别的 $n$ 元关系提取为目标，通过整合文档中各种文本跨度上的学习表征和子关系层次间的信息，扩大了系统的视野，增加了召回率和精确度，并在生物医学机器阅读上实验验证优于先前的 $n$ 元关系抽取方法。

    Apr, 2019

  • 基于文档级图卷积神经网络的句间关系提取

    本文提出了一种新的文档级图形结构的交叉句关系提取模型，该模型利用各种句间和句内依赖关系构建图形，并利用多实例学习和双仿射配对评分来预测实体对之间的关系。实验结果表明，该模型在两个生物医学数据集上的表现与最先进的神经模型相当，并且文中提到的所有图形类型对于交叉句关系提取都是有效的。

    Jun, 2019

  • 深度强化学习下的强健远程监督关系抽取

    研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声，进而将它们分配为负面样本以解决误报问题，实验表明该方法显著提高了远程监督方法的性能。

    May, 2018

  • 在神经关系抽取中引入关系路径

    本文提出了一种基于推理链和神经网络模型的远程监督关系抽取方法，能够更好地利用包含目标实体之一的句子，并在真实数据集上取得显著的抽取性能提升。

    Sep, 2016

  • 基于结构化最小监督学习的神经关系抽取

    通过结合学习表示和结构化学习的优点，我们提出了一种最小监督关系抽取方法，可以在知识库提供的命题级监督下，准确地预测句子级别的关系提及。通过在学习期间明确地推理有关缺失数据，我们的方法能够在缓解远程监督的标签噪声的同时进行大规模的一维卷积神经网络训练。我们的方法在最小监督下的句子关系抽取方面实现了最新的成果，优于许多基线方法，包括仅使用神经模型的注意层的竞争方法。

    Mar, 2019

  • 句子内和跨句子边界的神经关系抽取

    本文提出了一种新的架构 iDepNN，它可以通过循环和递归神经网络对最短和增强的依赖路径进行建模，以从跨句子的实体对中提取关系，并在新闻和医学领域的数据集上实现了最新技术的表现和更好的精度和召回的平衡，在 BioNLP 共享任务 2016 中胜过了 11 个参赛队伍，并获得了 5.2％的 F1 增益。

    Oct, 2018

  • 使用神经噪声转换器和条件最优选择器改进远程监督关系抽取

    本文提出了一种基于神经噪声转换器方法和条件最优选择器的远程监督关系抽取方法，以减轻噪声数据造成的影响并帮助进行准确预测，实验证明该方法在大数据集中的效果显著提高。

    Nov, 2018