COLINGNov, 2020

利用远程监督与人工标注的双重监督框架进行关系提取

PDF
TL;DR本研究提出了一种双重监督框架，旨在有效利用人工标注数据和远程监督数据来训练关系抽取模型，以应对不同类型的监督数据。该模型采用两种不同的预测网络，分别用于预测人工标注和远程监督标签，并引入不一致性惩罚机制进行优化，实现了更高的抽取精度。
relation extractiondual supervision frameworkhuman annotationdistant supervisionlabeling bias
发现论文，激发创造
  • 自然语言推理提升远程监督关系抽取

    本文提出了一种新的 DSRE-NLI 框架，该框架利用现有知识库的远程监督和预训练语言模型的间接监督，通过半自动关系语言表达机制为间接监督提供能量，进而巩固远程注释以便于多分类 RE 模型，并通过数据整合策略实现训练数据的质量提高，大量实验证明该框架显著提高了远程监督 RE 基准数据集的性能（高达 7.73％的 F1）

    Jul, 2022

  • 使用问答对进行关系抽取的间接监督

    本篇论文介绍了一种基于 QA 数据集的间接标注来降低 DS 数据产生噪声的新方法 ReQuest，并使用学习到的嵌入估计测试关系提及的类型。实验结果在两个公共关系提取数据集上相结合以 TREC QA 数据集，F1 得分平均提高了 11％。

    Oct, 2017

  • 关系抽取的异构监督：一种表示学习方法

    使用来自异构信息源的注释对关系抽取学习进行建模的新型框架 REHession，利用嵌入技术学习上下文信息的分布表示，从而实现了标签真值的推断和精确的关系抽取。

    Jul, 2017

  • 从表格实体对中利用二跳远程监督的关系抽取

    本文提出了一种新的关系抽取策略 ——2-hop DS，结合多层感知器和整合 1-hop DS 和 2-hop DS 提高了远程监督下的关系抽取效果。

    Sep, 2019

  • 手动评估的重要性：审阅远程监督关系抽取的测试协议

    本研究为了更可靠地评估 distantly supervised relation extraction（DS-RE）模型，建立了手动注释测试集，并彻底评估了几个有竞争力的模型，特别是最新的预训练模型。实验结果表明，手动评估可以指出与自动评估非常不同的结论，希望我们的手动测试集和新的观察结果可以帮助推进未来 DS-RE 研究。

    May, 2021

  • 远程监督关系抽取综述：以去噪和预训练方法为重点

    关系抽取（RE）是自然语言处理的基础任务，本文综述了四个阶段的 RE 方法，包括模式匹配、统计、神经网络和大型语言模型，并着重介绍了现代 RE 方法的远程监控和去噪预训练方法。

    Jul, 2022

  • 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

  • 远程监督关系提取数据集：实现准确和一致的评估

    本文使用深度神经网络进行了遥感监督关系提取，通过建立新的人工标注测试数据集 NYT-H，对遥感监督法进行了更为准确和一致的评估，并发现与使用 DS 标注测试数据的对比系统的排名列表有所不同，说明人工标注数据对于遥感监督关系提取的评估是必要的。

    Oct, 2020

  • 融合远程和直接监督的神经关系抽取

    本研究提出了一种改进的神经网络关系抽取模型，该模型采用直接监督数据来提高注意力机制的性能，同时使用远程监督数据帮助识别噪声标注，实验结果在 FB-NYT 数据集上取得了最新的最优性能。

    Oct, 2018

  • 学习双重检索模块用于半监督关系抽取

    本文提出 DualRE，使用弱监督技术结合自我训练机制和多视图学习方法，在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明，该方法有效地提高了模型的性能表现。

    Feb, 2019