EMNLPSep, 2020

基于双图推理的文档级关系抽取

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 使用图卷积网络跨文档进行推理的问答

    本研究提出了一种基于神经模型和图卷积网络的阅读理解方法，可以跨多个文档进行多步推理和信息推理，并在 WikiHop 数据集上实现了最先进的结果。

    Aug, 2018

  • 使用面向边的图来进行文档级别神经关系抽取：连接相互关联的信息点

    本研究采用面向边的图神经网络模型对文档级关系抽取进行研究，该模型利用不同类型的节点和边来创建文档级图，并通过图上边的推理机制进行联合及交叉句子的学习，实验结果表明该方法在化学疾病和基因疾病相关性数据集上表现出很好的性能。

    Aug, 2019

  • 基于潜在结构微调的文档级关系抽取推理

    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。

    May, 2020

  • 文档级关系抽取：基于上下文引导的实体融合和实体之间关系推理

    本文提出了基于上下文的提及整合和实体间推理两种技术，以改善文档级关系抽取。在三个基准数据集上的实验结果表明，我们的模型胜过了先前的最先进模型。

    Jan, 2022

  • DAGN: 面向逻辑推理的语篇感知图网络

    本文提出了一种使用基于话语的信息汇总处理逻辑推理 QA 的方法 ——DAGN，它将话语信息编码成一种图形式，并通过一个图形网络学习话语感知特征，实现了在两个 QA 数据集中具有竞争力的结果，源代码可在 https URL 上获得。

    Mar, 2021

  • SIRE: 文档级别关系抽取中的分离句内和句间推理

    本文提出了一种有效的架构 SIRE，以不同的方式表示内部和跨句子关系，设计了一种新的直接的逻辑推理模块，能够覆盖更多的逻辑推理链，并在公共数据集上取得了优异的实验效果和可靠性。

    Jun, 2021

  • 动态融合图网络用于多跳推理

    本文提出 Dynamically Fused Graph Network（DFGN）以支持多篇文档中的多个说明文本的问题回答，并在 HotpotQA 上获得了有竞争力的结果和可解释的推理链。

    May, 2019

  • 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