Apr, 2022

FREDA: 灵活的关系抽取数据标注

PDF
TL;DR本研究提出了一种方法，以便快速生成高质量数据集用于关系抽取任务，并训练神经模型以对所创建的数据集进行关系抽取来实现很好的结果，并广泛适用于其他数据集。研究中，我们能够在合理的时间内注释 10,022 个句子的 19 种关系，并为每种关系训练一个常用的基线模型。
relation extractionlabeled dataneural modelsdatasetsannotating
发现论文，激发创造
  • 引导的远程监督多语言关系抽取数据：适应新语言

    应用引导远程监督方法创建了一个包含超过 8 万个实例和 9 种关系类型的德语生物关系抽取数据集，同时还创建了一个手动注释的用于评估模型的数据集，并在自动创建的数据集上训练了几种先进机器学习模型和进行多语言和跨语言实验。

    Mar, 2024

  • 关系抽取中充分利用领域专家的时间

    文章介绍了一种使用远程监督与主动学习相结合的方法进行关系提取，实现在减少专家标注数据的人力成本的同时，使神经网络在复杂数据集上得到更好的表现。

    Jul, 2018

  • WebRED: 基于 Web 的关系抽取的有效预训练和微调

    本文介绍了 WebRED (Web Relation Extraction Dataset)，这是一个由人类标注的数据集，用于从万维网上的各种文本中提取关系，并利用～200M 的预训练数据和微调技术在此任务上取得更好的表现。作者提供了该数据集的基线，并阐述了人工注释在改善从网络文本中提取关系的性能方面的重要性。

    Feb, 2021

  • 基于预训练语言模型的上下文小样本关系抽取

    通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

    Oct, 2023

  • 通过关系抽取和文本证据在 Freebase 上进行问答

    本文提出一种从 Wikipedia 中提取证据丰富的关系抽取器，通过使用神经网络构建的关系提取器并结合 Wikipedia 进行验证，本方法成功地解决了现有知识型问答系统数据不足、缺乏表达力和无法回答多重约束问题等问题，并在 WebQuestions 问答数据集上取得了 53.3% 的 F1 值，比现有最先进的方法有了显著提升。

    Mar, 2016

  • NERO: 基于神经网络的规则接地框架用于标签有效的关系提取

    本文提出了一种基于标注规则的神经方法 NERO，可以通过自动标注和软匹配，增强神经关系提取模型的监督学习效果，实验结果表明 NERO 模型的效果表现优秀。

    Sep, 2019

  • REKnow：用于联合实体和关系提取的增强型知识

    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

  • 无监督开放式关系抽取

    在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

    Jan, 2018

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • REFinD：金融关系抽取数据集

    本文提出 REFinD 数据集，该数据集为金融文档中的大规模关系注释数据集，可用于信息检索、语义搜索、问题回答和文本蕴含等任务，同时对各种最先进的深度学习模型进行实证评估并强调数据集带来的挑战。

    May, 2023