ACLAug, 2021

开放关系建模：学习定义实体之间的关系

PDF
TL;DR本文介绍了开放式关系建模问题，引入了使用定义实体进行条件生成类型的关系描述的方法，并将推理路径和选择机制包括在内以帮助在知识图谱数据上进行开放式关系建模。实验结果表明，该模型能够生成简洁但信息丰富的关系描述，捕捉实体的代表性特征。
open relation modelingpre-trained language modelsknowledge graphreasoning pathsentity pairs
发现论文，激发创造
  • 利用预训练模型描述知识图谱中的关系

    本文研究预训练语言模型在数据到文本生成中使用关系标签生成语义准确输出时的问题，并通过实验发现，使用多样化的关系标签数据可以提高模型在生成新领域的语义准确性。

    Oct, 2022

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 潜在关系语言模型

    提出了一种基于知识图谱关系的潜在关系语言模型 (Latent Relation Language Models, LRLMs), 该模型不仅能提高语言建模性能，还能添加实体跨度的后验概率，实验结果表明该模型的性能优于基准模型和之前的知识图谱信息存在的模型，定性分析进一步证明了所提议的模型在上下文中预测适当的关系的能力。

    Aug, 2019

  • 通过对比学习提高预训练语言模型对实体和关系理解的能力 - ERICA

    该论文提出了一种对文本中的实体和关系进行深入理解的新型对比学习框架 ERICA，可显著提高预训练语言模型在低资源环境下的关系提取，实体类型和问题回答等多个语言理解任务的性能表现。

    Dec, 2020

  • 关系之间的关系：关系抽取问题的新范式

    本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法，不需要手工规则，能够完整考虑同一个上下文中的多个关系，并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证，证明该方法优于现有方法 1.12％到 2.55％不等。

    Jun, 2020

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022

  • VER: 为实体和关系生成自然语言表示的学习方法

    本文提出了 VER 模型，旨在利用自然语言描述实体之间的关系。该模型能够生成描述实体和实体关系的高质量句子，并为定义建模、关系建模和生成通用常识推理等任务提供了便利。

    Nov, 2022

  • 知识图谱的关系机器学习综述

    本文介绍了关系机器学习中如何统计建模大型知识图谱，以预测世界中新的事实，包括潜在特征模型和图中可观察模式互补的统计关系建模方法，以及与文本信息抽取相结合，自动构建知识图谱的实践。

    Mar, 2015

  • MORE: 基于度量学习的开放领域关系抽取框架

    MORE 利用深度度量学习从标注数据中获取丰富的监督信号，并直接驱动神经模型学习语义关系表示，提高开放域关系抽取 OpenRE 的效率和性能。

    Jun, 2022

  • 利用实体信息丰富预训练语言模型用于关系分类

    本研究提出了一种模型，结合了预训练的 BERT 语言模型和目标实体信息，来解决关系分类任务。通过定位目标实体和在预训练模型中传递信息，并整合两个实体的相应编码信息，我们在 SemEval-2010 任务 8 关系数据集上取得了显著的改进。

    May, 2019