ACLMar, 2021

使用图卷积网络进行联合信息抽取的交叉任务实例表示交互和标签依赖关系

PDF
TL;DR本研究提出了一种使用深度学习模型来同时解决信息提取中的四个主要任务（实体提取、关系提取、事件触发识别和参数提取），并使用两个新的特性来捕获这些任务之间的相互依赖关系的方法（称为 FourIE），并且进一步引入了一种新的正则化机制来提高模型的性能。
information extractiondeep learningentity mention recognitionrelation extractionevent trigger detection
发现论文，激发创造
  • GraphIE: 基于图的信息提取框架

    本文介绍了一种基于图推理的信息抽取框架 GraphIE，通过图卷积处理文本单元之间的广泛依赖关系，生成更丰富的表示以提高词级预测的性能，评估表明 GraphIE 明显优于现有的基于序列标注模型。

    Oct, 2018

  • 基于正则化的迁移学习方法在通过指导的图解码器中的信息提取

    本研究提出了一种基于正则化的迁移学习方法，通过指导图解码器进行信息提取（IE）。我们构建了一个指令池，用于各种 IE 任务的数据集，然后提出了一个指导图解码器。通过基于相应指令将各种复杂结构解码为图的方式，我们可以学习和转移与现有数据集共享的常见知识到具有新标签的新数据集中。此外，为了缓解各种 IE 任务中的标签一致性问题，我们引入了一种任务特定的正则化策略，不更新具有 “相反方向” 的两个任务的梯度。我们对包括四个 IE 任务的 12 个数据集进行了大量实验，结果证明了我们提出方法的巨大优势。

    Mar, 2024

  • 文档级联实体和关系提取任务交互建模

    本研究基于一种端到端的设置，同时执行提及提取，共指解决和关系提取，并在实体为中心的评估中进行文档级别的关系提取，特别是解决了以前工作未考虑的共指解决和关系提取之间的交互问题，并提出了显式交互，即图兼容性，以发挥任务特征的作用，通过相互作用的决策来弥合两个任务。本实验证明了该方法的有效性，并取得了比基线高 2.3/5.1 F1 改进的最优性能。

    May, 2022

  • 将深度学习与逻辑融合应用于信息抽取

    本文提出了将逻辑知识集成入深度学习系统中的方法来优化信息提取任务，通过逻辑规则，能够结合深度学习的优点来增强模型的泛化性能。

    Dec, 2019

  • 开放信息抽取的语法多视角学习

    本研究使用多视图学习将从开放域语句中提取的关系元组所需的句法信息从成分结构和依赖关系树映射到词级别的图中并进行拓展，达到更好地融合此类信息的目的。实验证明，这种多视图学习的方法与使用多种信息源构建元组是非常有效的。

    Dec, 2022

  • 信息提取的易到难学习

    本文针对信息提取系统在不同任务之间交互存在困难的问题，提出了一种易于模仿人类学习过程的三阶段联合学习框架，该框架可以使模型更好地学习不同任务之间的知识和提高其泛化能力， 在四项 IE 任务上进行的广泛实验表明了本框架的有效性。

    May, 2023

  • 面向科学知识图谱构建的实体、关系和共指的多任务识别

    本研究提出了一个多任务学习框架 SciIE 来识别、分类科学文章中的实体、关系和共指链接，并使用跨句子的共指链接来减少任务之间的级联错误。在科学信息提取方面，多任务模型效果优于以往模型，同时支持构建科学知识图谱分析科学文献。

    Aug, 2018

  • 使用图卷积网络沿最短依赖路径进行联合事件抽取

    本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架，该框架可同时抽取多个事件触发器和参数，并捕捉参数之间的关联信息，实现对长距离依赖关系的建模，达到了与最先进方法的实质性改进。

    Mar, 2020

  • 循环交互网络联合抽取实体和分类关系

    采用多任务学习方法解决实体和关系联合提取问题，提出了一种称为循环交互网络的多任务学习模型，能够动态地学习交互来有效地模拟分类的任务特征，并在两个真实数据集上进行实证研究验证了该模型的优越性。

    May, 2020

  • PyTorch-IE：信息提取的快速可重现原型设计

    信息抽取（IE）旨在从非结构化或半结构化文档中导出结构化表示。本研究提出了 PyTorch-IE，一种基于深度学习的框架，旨在实现 IE 模型的快速、可重复和可重用的实现。PyTorch-IE 提供了灵活的数据模型，能够通过集成来自各种数据类型（如纯文本或半结构化文本以及图像）的相互依赖的注释层来创建复杂的数据结构。通过提供对 PyTorch-Lightning 用于训练、HuggingFace 数据集用于数据集读取和 Hydra 用于实验配置等广泛使用的库的支持，PyTorch-IE 为信息抽取领域的研究社区提供了重要的支持。

    May, 2024