EMNLPNov, 2021

学习文档级别关系抽取的逻辑规则

PDF
TL;DR本文提出了 LogiRE，一种通过学习逻辑规则进行文档级关系提取的新型概率模型。该模型将逻辑规则作为潜在变量，并由规则生成器和关系提取器两个模块组成，可以显式捕捉长程依赖并具有更好的解释能力，实验结果表明在关系性能（1.8 F1 分数）和逻辑一致性（超过 3.3 逻辑分数）方面，LogiRE 明显优于几个强基准。
发现论文，激发创造
  • 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

  • 基于判别式推理的文档级关系抽取

    本文提出了一种新颖的判别推理框架来显式地建模文档中每对实体对之间的推理路径，并利用构建的图形和每个实体对的矢量化文档上下文来估计不同的推理路径的关系概率分布，从而识别它们的关系，实验证明我们的方法在大规模 DocRE 数据集上优于之前的最优表现。

    Jun, 2021

  • AutoRE：基于大型语言模型的文档级关系抽取

    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

  • 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

  • 逻辑规则支持的知识图谱嵌入

    该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

    Mar, 2019

  • RNNLogic：学习知识图谱推理逻辑规则

    本文提出了一种基于概率模型的 RNNLogic，并采用 EM 算法和后验推断方法，实现了在知识图谱推理中，学习逻辑规则的高效优化

    Oct, 2020

  • 只需三句话：本地路径增强的文档关系提取

    该论文提出了一种简单而有效的文档级关系抽取方法，可结合 BiLSTM 使用少量证据句子识别给定实体对之间的关系，并在基准数据集上取得了优异的性能，甚至优于基于图神经网络的方法。

    Jun, 2021

  • 关系抽取的连续理由提取：合理思考所见

    本文提出了一种新的关系抽取框架 RE2，通过运用连续性和稀疏性因素来获取有关联且连贯的理由，从而解决了保留相关内容和移除噪声段落的难题。

    May, 2023

  • 将深度学习与逻辑融合应用于信息抽取

    本文提出了将逻辑知识集成入深度学习系统中的方法来优化信息提取任务，通过逻辑规则，能够结合深度学习的优点来增强模型的泛化性能。

    Dec, 2019

  • 文档级关系抽取综述（2016-2022）

    本文提供了对最近在文档级关系提取领域的发展的全面概述，并强调了它与句子级关系提取的不同应用。

    Sep, 2023