COLINGOct, 2020

TPLinker: 基于 Token Pair Linking 的实体关系联合抽取单阶段模型

PDF
TL;DR本文提出了一种名为 TPLinker 的单阶段联合提取模型，其能够发现共享一个或两个实体的重叠关系，同时免除暴露偏差的问题。该模型通过手部握手标记方案将关系类型下的实体对的边界标记对齐，实验结果表明该模型在多关系抽取方面表现显著优于基准方法，并在两个公共数据集上实现了最先进的性能。
entity extractionrelation extractionjoint extractionoverlapping relationshandshaking tagging
发现论文，激发创造
  • 从生物医学文本中无需提及级别监督即可同时连接实体并提取关系

    提出一种无需实体级别监督的实体链接和关系抽取模型，避免了流水线方法中产生的级联错误，并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线，极大地提高了系统的总体召回率。

    Dec, 2019

  • 基于新颖标注方案的实体和关系联合抽取

    该研究提出了一种基于标记方案的端到端关系抽取模型，将实体和关系一起提取转化成一个标记问题并在公共数据集上实现了最佳结果。

    Jun, 2017

  • 关系三元组提取：一步到位

    本文提出了 DirectRel 模型，通过构建 “头实体→尾实体” 二分图的链接问题，直接在一步中提取所有的关系三元组，并在两个常用数据集上取得比现有技术更好的实验结果。

    May, 2022

  • OneRel: 一步完成联合实体和关系抽取的单模型方法

    本文提出了一种名为 OneRel 的新型关系抽取模型，将抽取任务视为细粒度的三元组分类问题，在两个常用数据集上的实验结果表明，该方法优于现有基线模型，并在各种重叠模式和多个三元组的复杂场景中持续性能提高。

    Mar, 2022

  • 基于新的分解策略的实体和关系联合抽取

    本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三个公共数据集上优于先前的工作，达到了 21.5% 的新最优 F1 分数。

    Sep, 2019

  • 命名实体识别和实体链接的联合学习

    本文介绍了一种受 Stack-LSTM 启发的模型，利用命名实体识别和实体链接的相关性进行联合学习，从而在 NER 和 EL 两个任务中获得更强的性能，并取得了竞争性的最新成果。

    Jul, 2019

  • 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

  • 联合实体识别和关系抽取作为多头选择问题

    该研究提出了一种基于神经网络的联合模型，能够同时执行实体识别和关系抽取任务，而无需人工提取特征或使用任何外部工具，并在包括新闻、生物医学和房地产等不同语境下进行了实验，而且表现优异。

    Apr, 2018

  • 基于联合学习的生物医学文献因果关系抽取

    本文提出了一种基于联合学习模型的生物医学因果关系提取方法，将实体关系提取和实体功能检测结合起来，以提高因果关系提取的性能，并且在模型训练阶段，为不同的功能类型分配不同的权重，实验结果表明，与其他系统相比，我们的联合学习系统在 BEL 语句提取中取得了最先进的表现。

    Aug, 2022

  • 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