EMNLPOct, 2020

二合一：使用表序列编码器进行实体和关系联合抽取

PDF
TL;DR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。
named entity recognitionrelation extractionjoint learningtable-sequence encodersrepresentation learning
发现论文，激发创造
  • 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

  • 一种简单易行的实体和关系抽取方法

    本研究提出了一种简单的流水线方法来进行实体和关系抽取，并在标准基准测试中确立了新的最佳结果，通过对实体和关系进行不同的上下文表示，融合实体信息来提高性能，同时在全局上下文中引入信息以提高准确性。

    Oct, 2020

  • 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

  • 使用三元编码模型的多模态表格和文本检索

    本文提出了一种处理同时在文本和表格中找到答案的问答模型，使用多模态数据集及向量嵌入模型进一步提高检索性能，其中 tri-encoders 模型的检索性能较 bi-encoders 模型更佳。

    Aug, 2021

  • 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

  • 三维有效分层编码表格生成文本

    本文主要介绍了一个改进型的 Seq2Seq 模型，可用于将多维表格转化为文本，并针对表的多个维度建模，并在 NBA 篮球比赛数据的基准数据集 ROTOWIRE 上进行了评估，效果明显。

    Sep, 2019

  • 实体关系抽取的有效多任务交互：带有选择循环网络的统一框架

    提出一种新的联合框架，将实体关系抽取重新定义为统一的跨度抽取任务，利用选择递归网络作为共享编码器设计两种顺序信息传播策略来实现命名实体识别和关系抽取的交互作用，实现了 NER 和 RE 的相互利益。在 ACE05 和 SciERC 两个公共基准测试集上实验表明，我们的方法可以实现最先进的结果。

    Feb, 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

  • BED：用于规范关系抽取的双编码器 - 解码器模型

    本研究提出了一种新的框架，Bi-Encoder-Decoder (BED)，用于解决规范化关系提取中的实体信息利用、新实体表示、性能提升等问题。实验结果表明，该方法在两个数据集上性能显著优于之前的最优方法，并能够良好处理新实体而无需重新训练。

    Dec, 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