ACLApr, 2022

基于序列到序列的文档级关系抽取方法

PDF
TL;DR本文提出了一种基于序列到序列模型的方法 seq2rel，使用实体推荐技术，可以替代传统的基于流水线任务的文档级关系抽取方法来同时完成抽取实体和关系的子任务，通过在几个受欢迎的生物医学数据集上的实验，本方法表现出了比现有流水线方法更优秀的性能，我们还展示了端到端方法超越流水线方法的结果。
document-level relation extractionentity extractioncoreference resolutionsequence-to-sequence approachend-to-end learning
发现论文，激发创造
  • 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

  • 以实体为中心的跨文档关系抽取

    本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型，与现有方法比较，在 CodRED 数据集上取得至少 10％ 的 F1 值的提升，从而展示其在跨文档关系提取中的有效性。

    Oct, 2022

  • 照应辅助的文档级关系抽取

    我们提出了一种基于指代辅助的框架用于文档级关系抽取任务，实验结果表明我们的模型取得了最先进的性能。

    Oct, 2023

  • 通过迭代推理实现更好的文档级关系抽取

    本文提出了一种采用迭代推理的文档级关系抽取模型，包括一个基本模块和一个推理模块，推理模块引入了两个扩展交叉注意力单元，可以在关系推理过程中利用实体对的特征信息和之前的预测结果，通过对几乎无法预测的实体对进行处理以及引入对比学习等技术的二阶段训练策略，实现了对三个常用数据集的高效率解决方案。

    Nov, 2022

  • 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

  • 大语言模型时代下关系抽取的再审视

    本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

    May, 2023

  • 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

  • 自适应焦点损失和知识蒸馏的文档级关系抽取

    本文提出了一个半监督框架，包含三个新组件，针对文档级关系抽取任务进行优化，通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题，以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型，并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。

    Mar, 2022

  • 具有关系相关增强的文档级关系提取

    我们提出了一种关系图方法，用于明确利用关系之间的相互依赖性，在文档级别关系抽取中考虑关系的相互关联，并通过关系图模型化关系之间的相关性，以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能，在文档级别关系抽取中考虑关系的相互关联的有效性。

    Oct, 2023

  • 基于语义分割的文档级关系抽取

    本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

    Jun, 2021