文档级关系抽取:基于上下文引导的实体融合和实体之间关系推理
提出了一种基于 Masked Image Reconstruction 网络的文档级关系提取模型(DRE-MIR),通过模型推理来捕捉关系之间的相关性,并在三个公共数据集上取得了最先进的性能。
Apr, 2022
本研究提出了一种基于图注意力网络的对话关系提取方法,该方法能够有效捕捉对话中不同实体对之间的关系和解释人际关系,从而使得对话数据更好地用于构建知识图谱和开发智能对话系统。
Sep, 2020
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
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
本文针对文档级别关系抽取中证据检索面临的内存消耗高和注释有限的问题,提出了 DREEAM 方法,其采用内存高效的方式指导 DocRE 系统将注意力集中于证据上并采用自学习策略从大量数据中自动生成证据,实验证明该方法在 DocRE 和 ER 方面取得了最先进的性能。
Feb, 2023
通过引入 NC-DRE 图表模型的编码器 - 解码器框架,将非实体线索信息与图神经网络 (GNN) 进行解码器到编码器注意机制的协同作用,从而提高复杂跨句子关系的关系抽取效果。
Apr, 2022
本文提出了一种名为 GAIN 的双重图聚合和推理网络,利用异构提及级别图来建模文档中不同提及之间的复杂互动,另外构造一个实体级别图,并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明,GAIN 相对于之前的最先进技术获得了显著的性能提高(F1 值提高了 2.85 个点)且代码已经公开。
Sep, 2020
本文提出了一种名为 “密集连接十字织 Attention 网络” 的模型,它能够在实体对级别上完成逻辑推理,用于文档级别关系抽取,并达到当前领先的性能水平。
Mar, 2022
本文提出了一种新颖的文档级关系抽取模型 GRACR,其中构建了一个简化的语义图来建模文档中的所有实体和句子信息,以及一个实体级图来探索长距离跨句子实体对的关系。经实验证明,在文档级别关系抽取任务上,该方法取得了优秀的性能,并且在提取跨句子实体对的潜在关系方面尤其有效。
Mar, 2023
本研究基于一种端到端的设置,同时执行提及提取,共指解决和关系提取,并在实体为中心的评估中进行文档级别的关系提取,特别是解决了以前工作未考虑的共指解决和关系提取之间的交互问题,并提出了显式交互,即图兼容性,以发挥任务特征的作用,通过相互作用的决策来弥合两个任务。本实验证明了该方法的有效性,并取得了比基线高 2.3/5.1 F1 改进的最优性能。
May, 2022