关系分类作为双向跨度预测
本文提出了一种新方法,通过将阅读理解中的多串问题视为序列标注问题,使得模型不再局限于输出单一连续结果,而是可以输出多个分散的结果,实验结果在 DROP 和 Quoref 数据集上分别提升了 9.9 和 5.5 个 EM 点。
Sep, 2019
本文中,我们提出了一个新的模型架构,称为 RECENT,它利用实体类型限制候选关系,并形式化介绍了关系和实体类型之间的相互约束关系。在 GCN 和 SpanBERT 这两个表现较好的模型上进行实验,实验结果表明,RECENT 可以分别提升它们 6.9 个和 4.4 个 F1 点,并且 RECENT_SpanBERT 在 TACRED 上取得了新的最佳效果。
May, 2021
提出了一种名为 SpanEmo 的新模型,将多标签情感分类视为跨度预测,并引入专注于对输入句子中多重共存情感进行建模的损失函数,实验证明了我们方法在提高模型性能和学习情感类别与句中单词之间有意义的关联方面的优势。
Jan, 2021
本文提出一种基于标记跨度和跨度之间关系的统一格式的思想,成功应用于语法、语义、信息内容,情感等多种自然语言处理任务,其结构化的方法能将不同任务转化为相同的格式,同时得到较高的性能表现,并提出多任务学习的优势。最后作者将各数据转换为统一格式来建立一个基准测试,提供了一个综合的测试平台,用于评估未来模型对于通用自然语言处理的表现。
Nov, 2019
通过使用标准跨度机制和标记跨度机制、构建实体注意力机制,本研究提出了一种完全解决三元组重叠问题的信息抽取方法,并在两个公共数据集上进行了测试。该方法在这两个数据集上达到最佳性能。
Apr, 2023
介绍了一种新的神经符号结构用于关系分类,结合了基于规则的方法和现代深度学习技术,通过语义文本匹配增强规则泛化能力,该方法在两个 few-shot 关系分类数据集上的评估中,表明在四个设置中有三个的性能优于之前的最先进模型。
Mar, 2024
本文提出了一种新的自监督训练目标方法,通过简单地将关系预测纳入常用的 1 对所有目标中,实现了对多关系图谱表示学习的良好表述,并通过多个数据集和模型的实验表明,关系预测可以显著提高常用的 KB 完成评估任务中的实体排名效果,并在高多关系数据集上表现出更好的效果,尤其是在使用更大的嵌入大小时。
Oct, 2021
本文研究了使用 span prediction 和 sequence labeling 框架进行命名实体识别的优缺点,并提出了系统组合的方法来重新识别来自不同系统的命名实体,并在 11 个数据集上进行了 154 个系统的实验,证明了 span prediction 也可以作为基础 NER 系统和系统组合器,同时也将我们的模型部署到 ExplainaBoard 平台上。
Jun, 2021
本文提出了一种新的 paradigm——EPPAC 以解决关系分类中存在的问题:(1) 分类过多影响分类准确性;(2) 手动设计 prompt 需要大量人力。实验表明,EPPAC 相较于最先进的方法在 TACRED 和 TACREV 上分别提高了 14.4% 和 11.1%。
Mar, 2022