基于判别式推理的文档级关系抽取
本文提出了一种新颖的文档级关系抽取模型 GRACR,其中构建了一个简化的语义图来建模文档中的所有实体和句子信息,以及一个实体级图来探索长距离跨句子实体对的关系。经实验证明,在文档级别关系抽取任务上,该方法取得了优秀的性能,并且在提取跨句子实体对的潜在关系方面尤其有效。
Mar, 2023
该研究提出了使用 encoder-classifier-reconstructor 模型来解决 DocRE(document-level relation extraction)中因图形结构普遍建模不含关系的实体对而导致性能较差的问题,并在大规模 DocRE 数据集上得到了显著的性能提升。
Dec, 2020
本文提出了一种名为 “密集连接十字织 Attention 网络” 的模型,它能够在实体对级别上完成逻辑推理,用于文档级别关系抽取,并达到当前领先的性能水平。
Mar, 2022
本文提出了一种名为 GAIN 的双重图聚合和推理网络,利用异构提及级别图来建模文档中不同提及之间的复杂互动,另外构造一个实体级别图,并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明,GAIN 相对于之前的最先进技术获得了显著的性能提高(F1 值提高了 2.85 个点)且代码已经公开。
Sep, 2020
本文针对文档级关系抽取问题,设计一种具有高区分性和鲁棒性的方法,包括有效的损失函数,熵最小化和有监督对比学习,新颖的负标签采样策略,并在新的数据情境下进行评估。实验结果表明,该方法在 DocRED 数据集,Re-DocRED 和提出的数据情境下取得了最新的最优结果。
Apr, 2023
提出了一种基于 Masked Image Reconstruction 网络的文档级关系提取模型(DRE-MIR),通过模型推理来捕捉关系之间的相关性,并在三个公共数据集上取得了最先进的性能。
Apr, 2022
本论文提出了一种基于符号序列和负采样策略的 DocRE 生成方法,通过生成与关系矩阵相关的有序序列来改进现有的基于词汇表示的 DocRE 模型,并且实验证明本方法可以提高这类模型的性能。
Oct, 2022
本文提出了一个半监督框架,包含三个新组件,针对文档级关系抽取任务进行优化,通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题,以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型,并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。
Mar, 2022
该论文提出了一种简单而有效的文档级关系抽取方法,可结合 BiLSTM 使用少量证据句子识别给定实体对之间的关系,并在基准数据集上取得了优异的性能,甚至优于基于图神经网络的方法。
Jun, 2021