EMNLPSep, 2021

基于表格填充的新型全局面向特征的关系三元组抽取模型

PDF
TL;DR本文提出了一种全局特征导向的三元组抽取模型（GTETEM），用于从复杂的句子中提取三元组，并利用全局关联进一步提升抽取效果。该模型引入新的表格填充策略，将全局关联信息与局部特征结合，使得每个关系的表格特征可以逐步细化，最终实现了表格填充和三元组提取。实验结果表明，该模型在三个基准数据集上取得了最优效果。
table fillingrelational triple extractionglobal associationsfeature-oriented modelstate-of-the-art results
发现论文，激发创造
  • RTF：基于区域的关系三元组抽取表填充方法

    自动构建知识图谱的关键工作是关系三元组抽取。现有方法只从令牌或令牌对级别构建浅层表示，而忽略了关系三元组的局部空间依赖性，导致实体对边界检测的弱点。为了解决这个问题，我们提出了一种新的面向区域的表填充方法（RTF）。我们设计了一种新的基于区域的标签方案和双向解码策略，将每个关系三元组视为关系特定表上的一个区域，并通过确定每个区域的两个端点来识别三元组。我们还引入卷积以从空间角度构建区域级表表示，从而更容易捕捉三元组。此外，我们在不同关系之间共享部分标记分数，以提高关系分类器的学习效率。实验结果表明，我们的方法在三种常用基准数据集的三个变种上取得了最先进的效果，并具有更好的泛化能力。

    Apr, 2024

  • 优化大型语言模型的召回率：基于模型协作的关系三元组抽取方法

    本论文设计了一种评估过滤框架，将大型语言模型与小型模型整合在一起，用于处理关系三元组提取任务，以获得更准确的提取结果。评估模型能够高精度提取相关实体对，并通过简单的标注原则和深度神经网络对模型进行嵌入，将输出作为提示加入到大型模型的提取过程中。通过大量实验证明，该方法可以帮助大型语言模型从含有多个关系三元组的复杂句子中获得更准确的提取结果，同时也能够嵌入传统提取模型以提高其从复杂句子中的提取准确率。

    Apr, 2024

  • 一种用于超关系抽取和填充立方体的数据集

    本文提出了超关系实体抽取（hyper-relational extraction）的任务，并设计了适用于该任务的 CubeRE 模型，该模型能够处理关系三元组及其限定词之间的交互，并在 HyperRED 数据集上取得了优于基线模型的效果。

    Nov, 2022

  • 关系三元组提取的互相指导的少样本学习

    本文提出了一种基于 Mutual Guided Few-shot 学习框架的关系三元组抽取方法，该方法通过实体解码器和关系解码器相互指导，加上原型融合模块，能够在使用少量数据的情况下显著提高抽取准确度，在 FewRel 1.0 和 FewRel 2.0 数据集上表现优异。

    Jun, 2023

  • 关系三元组提取：一步到位

    本文提出了 DirectRel 模型，通过构建 “头实体→尾实体” 二分图的链接问题，直接在一步中提取所有的关系三元组，并在两个常用数据集上取得比现有技术更好的实验结果。

    May, 2022

  • 一个用于联合关系三元组抽取的双合并模型

    通过使用基于两维句子表示的双重整合模型，本文提出了一种解决关系三元组提取中的语义重叠问题的方法，同时增强与关系三元组相关的局部和全局语义特征，有效提高实体识别和关系类型分类的性能，并在多个发布数据集上取得了有竞争力的性能，分析实验证明了我们模型在关系三元组提取中的有效性并对其他自然语言处理任务提供了动力。

    Apr, 2024

  • 建模多粒度分层特征以进行关系提取

    本篇论文提出了一种基于原始输入句子提取多粒度特征的新方法，该方法包含实体提及级别、片段级别和句子级别三种特征，并采用层次化建模方法，以解决自然语言处理中的关系提取问题，实验证明该模型性能优于甚至使用外部知识的现有最先进模型。

    Apr, 2022

  • 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

  • 关系抽取的二维特征工程方法

    本论文提出了一种基于二维句子表示的二维特征工程方法，用于关系提取任务，经过在三个公共数据集上的评估，达到了最先进的性能，结果表明二维特征工程可以充分利用二维句子表示和传统特征工程中的先前知识。

    Apr, 2024

  • 基于细粒度语义信息的远程监督关系抽取方法

    本文聚焦于关系抽取，提出假设：句子中关键语义信息对实体关系抽取起着关键作用，通过内部注意机制提取句子内细粒度的语义特征，证明该关系抽取模型比已有方法具有更优的准确率和召回率。

    Feb, 2023