ACLJun, 2021

一种基于神经网络的文档级关系图提取边缘编辑方法

PDF
TL;DR本文介绍了一种新颖的边缘编辑方法，旨在从文档中提取关系信息，并将文档中的关系视为实体之间的关系图。我们利用预训练的 transformer 模型和图卷积神经网络模型对边缘进行分类，通过对初始图形的边缘进行编辑，构建关系图。我们将我们的方法应用于从材料科学文本中提取材料合成过程，并进行了实验证明。实验结果表明，我们的方法可以有效地编辑由我们内部基于规则系统和空图形引导的图形。
发现论文，激发创造
  • 使用面向边的图来进行文档级别神经关系抽取：连接相互关联的信息点

    本研究采用面向边的图神经网络模型对文档级关系抽取进行研究，该模型利用不同类型的节点和边来创建文档级图，并通过图上边的推理机制进行联合及交叉句子的学习，实验结果表明该方法在化学疾病和基因疾病相关性数据集上表现出很好的性能。

    Aug, 2019

  • 基于语义分割的文档级关系抽取

    本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

    Jun, 2021

  • 基于文档级图卷积神经网络的句间关系提取

    本文提出了一种新的文档级图形结构的交叉句关系提取模型，该模型利用各种句间和句内依赖关系构建图形，并利用多实例学习和双仿射配对评分来预测实体对之间的关系。实验结果表明，该模型在两个生物医学数据集上的表现与最先进的神经模型相当，并且文中提到的所有图形类型对于交叉句关系提取都是有效的。

    Jun, 2019

  • 面向文档级关系抽取的全局 - 局部神经网络

    本文提出了一种新的模型对文档级别关系抽取进行建模，该模型能够对全局和局部的实体表示以及上下文关系表示进行编码并提供更好的实验结果。

    Sep, 2020

  • 面向文档图像的 Few-shot 实体识别：鲁棒的图神经网络方法

    该论文提出了一种新模型 LAGER，该模型基于文档中单词之间的拓扑相邻关系建立边缘，并通过引入图神经网络层将其结合到预训练语言模型中，从而有效地提高了实体识别的性能。

    May, 2023

  • 一种基于实体图的行走模型，用于关系抽取

    提出了一种基于图的神经网络模型，用于关系提取，将句子中的实体对作为节点放置在全连接图结构中，边用围绕实体对的位置感知上下文表示，构建了不同关系路径，通过迭代更新边表示为更长的路径表示。在 ACE2005 数据集上实现了与最先进系统相当的性能而不使用任何外部工具。

    Feb, 2019

  • 基于大语言模型的远程监督半自动文档级关系抽取数据增强

    通过集成大型语言模型和自然语言推理模块，我们提出一种自动标注方法来生成关系三元组，从而增强文档级关系数据集，我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性，该方法在重新注释众多长尾关系类型方面表现出色，并且在推进广义语言语义理解方面提供了实际好处。

    Nov, 2023

  • 神经机器翻译的文档图

    利用图形化表示法将文档作为全局语境，并将其整合到传统的变压器架构中，结合多种关系，包括邻接，句法依赖，词汇一致性和指代，能够显著提高神经机器翻译的性能。

    Dec, 2020

  • 基于双图推理的文档级关系抽取

    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

  • 基于潜在结构微调的文档级关系抽取推理

    本研究提出了一种利用自动带引的潜在文档级图进行跨句子的关系推理的方法，并通过增量聚合相关信息来提高多跳推理的准确性，取得了在 DocRED，CDR 和 GDA 数据集上的最新最优性能。

    May, 2020