EMNLPSep, 2021

揭示长尾信息抽取的主要因果关系

PDF
TL;DR本研究提出了一种新的反事实信息提取框架，该框架以因果推论的视角，利用统一的结构因果模型描述变量之间的关系，通过使用明确的语言结构生成反事实语句来更好地计算直接因果效应，同时还提出了一种新的去偏置方法，以在减轻因选择偏差对数据产生的关联偏差方面具有更强的预测能力。在五个公共数据集上的三个 IE 任务的实验结果表明，我们的 CFIE 模型在减少虚假相关的问题上具有很好的效果。
information extractioncounterfactual iecausal inferencestructural causal modeldebiasing approach
发现论文，激发创造
  • 非法领域中的信息提取

    本论文提出了一种轻量级的特征无关的信息提取 （IE）范例，可以处理语言模式不规范、长尾概念漂移等问题，特别适用于人口贩卖等非法领域；经验证明，在低监督和高监督设置下，该范例可以比传统的基于特征的条件随机场提升 18％以上的 F - 度量，并且能够漂移概念稳定性高。

    Mar, 2017

  • 从 LLM 中提炼元模型用于各类信息提取任务

    我们提出了一个称为 MetaIE 的新框架，通过学习提取 “重要信息” 来构建一个小型元模型，使得这个元模型可以有效和高效地适应各种信息提取任务，在少样本适应设置下获得更好的性能。

    Mar, 2024

  • WebIE: 在网络上进行忠实和稳健的信息提取

    本文提出了 WebIE 数据集，其中包括 1.6M 个句子及其详细注释。基于此数据集，我们评估了基于生成模型的信息提取模型的跨域和跨语言性能，并提出了三种训练策略。我们的实验表明，实体链接方式得到明显提高。

    May, 2023

  • 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

  • 大型语言模型用于生成式信息提取：一项综述

    信息提取是从自然语言文本中提取结构化知识（如实体、关系和事件）的过程。最近，生成式大型语言模型（LLMs）在文本理解和生成方面展示出了显著的能力，允许在各个领域和任务中进行概括。为了对 LLMs 在信息提取任务中的努力进行全面系统的回顾和探索，我们通过调查这个领域的最新进展来进行研究。我们首先通过以各种信息提取子任务和学习范式进行分类来呈现一个全面的概述，然后我们经验性地分析最先进的方法并发现使用 LLMs 的信息提取任务的新兴趋势。通过进行彻底审查，我们确定了一些技术见解和有希望进一步探索的研究方向，值得在未来研究中持续探索。我们在以下网址维护一个公共资源库并定期更新相关资源：https://github.com/quqxui/Awesome-LLM4IE-Papers。

    Dec, 2023

  • 融合局部上下文和全局连贯性的开放信息提取

    本文提出了一种名为 ReMine 的新型 Open IE 系统，将本地上下文信号和全局结构信号统一到一个遥感监督的框架中，并利用外部知识库中的事实作为监督，通过联合优化问题解决实体 / 关系短语分割和元组提取质量评估的两个子任务，以提高从大型语料库中提取元组的质量，并在两种不同领域的实际语料库上进行实验以证明其有效性和鲁棒性。

    Apr, 2018

  • 我们应该依赖实体提及来进行关系抽取吗？通过反事实分析消除关系抽取偏差

    本文提出了一种名为 CORE 的反事实分析方法，通过构造关系提取器的因果图，并在其上进行反事实分析来捕捉和减少实体偏置。该方法不会改变现有 RE 系统的训练过程，极大地提高了 RE 的效率和概括能力。

    May, 2022

  • 大型语言模型改进开放信息抽取：关于演示不确定性的研究

    通过提出各种上下文学习策略来增强大型语言模型的指示遵循能力，以及通过演示不确定性量化模块来增强生成关系的置信度，本论文评估了大型语言模型在改进开放信息抽取任务中的能力，并在三个开放信息抽取基准数据集上进行实验证明了我们的方法在数量和质量上能够与已建立的监督方法媲美。

    Sep, 2023

  • 通过因果视角对虚假相关性降低信息论偏差

    通过因果关系解释的虚假相关的条件互信息，我们提出了一种信息熵偏差测量技术，可以有效地识别基于特征的算法偏差，并设计了一种新颖的基于偏差正则化损失的去偏差框架和一种基于随机标签噪声的简单而有效的非监督去偏差技术。

    Jan, 2022

  • 文档级信息提取概览

    这篇综述研究对最近的文档级信息抽取文献进行了系统回顾，通过与当前最先进的算法进行彻底的错误分析，确定它们的局限性以及文档级信息抽取任务的剩余挑战，包括标签误差、实体关联解析和缺乏推理，严重影响文档级信息抽取的性能。本综述的目标是为 NLP 研究人员提供更多见解，帮助进一步提高文档级信息抽取的性能。

    Sep, 2023