ACLMar, 2022

RelationPrompt: 利用提示生成合成数据以进行零样本关系三元组抽取

PDF
TL;DR本文介绍了 Zero-RTE 任务及其解决方案 —— 使用结构化的提示模板来生成合成关系样本，并使用三元组搜寻解码方法来克服在句子中提取多个关系三元组的限制。实验表明，RelationPrompt 对于 Zero-RTE 任务和零样本关系分类非常有效。
发现论文，激发创造
  • 基于生成元学习的零样本关系三元组抽取

    本研究提出了一种新颖的生成元学习框架，旨在提高生成模型的泛化能力，该框架在零样本关系三元组提取任务中达到了新的最先进性能。

    May, 2023

  • PCRED: 无需候选关系选择和实体边界检测的零样本关系三元组抽取

    本研究介绍了一种名为 PCRED 的零样本关系三元组抽取方法，采用候选关系选择和实体边界检测的方法，不依赖于额外的数据且表现优异，最终实验结果表明 PCRED 方法始终优于以往研究。

    Nov, 2022

  • 基于一致性引导的零样本文档级关系三元组提取中的知识检索和去噪

    本文提出了一种零样本文档级关系三元组提取（ZeroDocRTE）框架，通过从大型语言模型（LLMs）中检索和去噪知识生成标记数据，用于提取具有语义关系的实体，实现了零样本文档级关系和三元组的提取任务。

    Jan, 2024

  • 模板填充实现零样本三元组抽取

    本文提出一种新的框架 ZETT，基于预训练语言模型，并采用端到端生成式 Transformer 技术，将三元组抽取任务简化为模板填充任务从而具备了零 - shot 学习能力，并能利用语言模型中的隐含知识，实验表明该方法可以在不进行数据增强和流水线系统的情况下超过之前的最优模型，对实体的检测也更为稳健。

    Dec, 2022

  • 通过相关的可解释触发器和关系名称实现零样本对话关系提取

    本文提出了一种利用触发器捕获能力实现零样本对话关系提取的模型，该模型在使用 DialogRE 数据集进行的实验中取得了显著的改进，为对话关系提取系统的可扩展性和实用性提供了新的方法。

    Jun, 2023

  • 弱监督下的零样本关系抽取问题

    本文提出一种零 - shot 关系抽取的方法，通过将实体的描述翻译成问题，并使用生成的问题来生成正确的实体，在不需要使用黄金问题模板的情况下超过了以前的最先进技术。

    Jan, 2023

  • 无监督信息抽取作为统一的文本到三元组翻译

    运用文本三元组转换模型，将信息提取任务转化为输入文本到输出三元组的翻译过程，通过预训练语言模型的潜在知识对不同任务进行转换，预测输入文本对应的关系性信息可以有效地生成任务特定的输出，并且不需要任何特定的任务训练就可以实现零样本迁移，相比于有训练集的监督学习，具有明显的优势。

    Sep, 2021

  • ZS-BERT: 面向属性表示学习的零样本关系抽取

    本文提出了一种基于 BERT 的多任务学习模型（ZS-BERT），通过零样本关系抽取解决新出现关系的抽取问题，实验结果表明该方法相比于现有的方法在 F1 分数上至少提高了 13.54%。

    Apr, 2021

  • 把握要点：为零 shot 关系抽取量身定制大型语言模型

    通过使用语言模型生成初始种子实例并结合反馈进行改进，在关系抽取任务中实现零样本学习，取得了较基准方法更好的性能。

    Feb, 2024

  • 利用多原型嵌入桥接文本和知识，进行少样本关系三元组提取

    本文提出了一种新的多原型嵌入网络模型，旨在共同提取关系三元组的组成，即实体对和相应的关系，通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识，从而注入实体和关系之间的隐式相关性，并提出原型感知正则化来学习更具代表性的原型，实验结果表明，该方法可以提高少样本三元组提取的性能。

    Oct, 2020