只需三句话:本地路径增强的文档关系提取
本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型,与现有方法比较,在 CodRED 数据集上取得至少 10% 的 F1 值的提升,从而展示其在跨文档关系提取中的有效性。
Oct, 2022
该研究提出了一种新的基于显式句法改进和子句建模的文档层面关系抽取框架(LARSON),该框架旨在更好地捕获和利用指导信息,进而提高文档内实体之间语义关系的准确性。实验结果表明,LARSON 在三个基准数据集上的性能优于现有方法。
Nov, 2022
通过引入 AutoRE 模型和 RHF (Relation-Head-Facts) 的新型 RE 提取范式,结合 QLoRA (Parameters Efficient Fine Tuning) 算法构建了一个易于扩展的 DocRE 框架,在 RE-DocRED 数据集上展现了最佳性能,超过 dev 和 test 集合上分别为 TAG 10.03% 和 9.03% 的最新结果。
Mar, 2024
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
本文提出了一种基于序列到序列模型的方法 seq2rel,使用实体推荐技术,可以替代传统的基于流水线任务的文档级关系抽取方法来同时完成抽取实体和关系的子任务,通过在几个受欢迎的生物医学数据集上的实验,本方法表现出了比现有流水线方法更优秀的性能,我们还展示了端到端方法超越流水线方法的结果。
Apr, 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
我们提出了一种关系图方法,用于明确利用关系之间的相互依赖性,在文档级别关系抽取中考虑关系的相互关联,并通过关系图模型化关系之间的相关性,以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能,在文档级别关系抽取中考虑关系的相互关联的有效性。
Oct, 2023