DeepKE:基于深度学习的知识抽取工具包,用于知识库填充
本文利用深度学习和基于规则的矫正技术对采购文件中的重要信息进行提取,通过实验证明规则矫正技术对于基于深度学习的分类结果有着显著的提升。
Oct, 2022
CollabKG 是一种可学习的人机协同信息提取工具包,可用于构建或扩展以实体为中心和事件为中心的知识图谱,并结合先进的提示式信息提取技术,实现人机协同机制,提高了注释质量、效率和稳定性。
Jul, 2023
本文提出了一种基于神经网络的模型 DeepE,在知识图谱嵌入任务中运用多个构建模块,通过对头实体和关系进行预测来预测尾实体。模型堆叠多个构建模块以预测尾实体。这些构建模块等同于使用不同非线性深度的一组学习函数。DeepE 的主要优点是鲁棒性,比其他基线模型表现更好。
Nov, 2022
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
该论文回顾和分类研究了在知识提取中的低资源情况中,利用高资源数据、更强模型、数据和模型相结合等三种方法进行的神经方法,并提出未来研究的方向和应用前景。
Feb, 2022
本文研究了针对真实情况下的关键词提取,其中文档来自不同领域,内容质量变化巨大。我们精心编排并发布了 OpenKP,一个大规模的开放领域关键字提取数据集,近十万个网络文档和专家关键字注释。我们开发了一种名为 BLING-KPE 的神经关键词提取模型,它通过文档的视觉呈现和来自搜索查询的弱监督超越了语言理解,以处理域和内容质量的变化。在 OpenKP 上的实验结果证实了 BLING-KPE 和其神经结构、视觉特征和搜索日志弱监督的效果。与特定领域相比,从开放领域数据中学习的零 - shot 评估表明了其改进的泛化能力。
Nov, 2019
DeepDive 是一个结合数据库和机器学习思想来帮助开发 KBC 系统的系统,通过提出两种增量推理的方法,基于采样和变分技术,解决了 KBC 迭代过程中效率低的问题,并通过评估表明其可以加速 KBC 推理任务两个数量级而对质量几乎没有影响。
Feb, 2015
本论文提出了一种名为 KECI(知识增强的集体推理)的新框架,结合外部知识进行实体和关系提取,在两个基准数据集 BioRelEx 和 ADE 中实现新的最先进结果,使用全局关系信息将提及跨度链接到实体,使用图卷积网络将全局关系信息集成到局部表示中。
May, 2021
提出了一个基于 FOFE 和深度神经网络的简单但通用的神经模型 (FOFE-net) 来解决不同阶段的 KB-QA 问题,包括实体发现和链接 (EDL) 以及关系检测,评估结果表明 FOFE-net 在所有数据集的子任务中表现良好并推动了整体 KB-QA 系统的强大表现。
Mar, 2019