建模多粒度分层特征以进行关系提取
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
本文提出了一种新颖的多尺度神经架构,以文档级别的 $n$ 元关系提取为目标,通过整合文档中各种文本跨度上的学习表征和子关系层次间的信息,扩大了系统的视野,增加了召回率和精确度,并在生物医学机器阅读上实验验证优于先前的 $n$ 元关系抽取方法。
Apr, 2019
本文介绍了一个名为 GREC 的关系抽取和分类的生成模型,采用序列生成任务对关系进行建模,并探索了各种编码表示方法,提出了负采样和解码缩放技术,可实现一次性从句子中提取所有关系三元组,从而在三个基准关系抽取数据集上取得了最新的表现,虽然一次性处理比传统方法在效率上损失了一部分性能,但它更具计算效率。
Feb, 2022
本文聚焦于关系抽取,提出假设:句子中关键语义信息对实体关系抽取起着关键作用,通过内部注意机制提取句子内细粒度的语义特征,证明该关系抽取模型比已有方法具有更优的准确率和召回率。
Feb, 2023
本研究综述了关系抽取领域深度学习技术的现状,涵盖资源、分类、挑战和未来方向等方面,有望促进研究者共同探索真实生活中关系抽取系统的挑战。
Jun, 2023
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
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
本文提出了一种基于语法树和句子嵌入的远程监督关系抽取方法,使用句子和实体的嵌入对关系进行分类,实验结果表明这种方法在真实数据集上取得了最佳的性能。
Jan, 2018
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