Apr, 2022

装饰范例：一种简单的生物医学关系抽取提示设计方法

PDF
TL;DR本文探讨在生物医学领域中的关系抽取问题，研究使用集成学习的方式能否提高在 ChemProt 数据集上的预测结果，结果展示了基于掩码的抽取方法有潜力在该特定领域关系抽取任务中取得优异的性能。
relation extractionbiomedicalprompt-based learningchemprot datasetbiomed-roberta-base
发现论文，激发创造
  • Prompt 结合释义：教授预训练模型理解罕见生物医学词汇

    本文提出了一种在生物医学领域中进行基于提示微调的方法，以帮助模型在微调时学习生物医学领域中的罕见术语，实验结果表明，该方法可以在不使用额外参数或训练步骤的情况下在生物医学自然语言推理任务中实现高达 6% 的性能提升。

    Sep, 2022

  • 有效基于提示的关系分类学习

    本文提出了一种新的基于提示的学习方法 LabelPrompt，用于关系分类任务，通过定义附加令牌来表示关系标签，并构建提示模板方法，以及设计一个实体感知模块和注意查询策略来解决模型中的一些挑战，极大地提高了在缺乏标注数据情况下利用提示学习的适应能力，特别是在少样本场景中的表现超过了其他几种方法。

    Feb, 2023

  • 基于提示性数据编程的弱监督文档级关系抽取

    通过结合基于提示的技术和数据编程，PromptRE 是一种新型的弱监督文档级关系提取方法，利用标签分布和实体类型作为先验知识来改善性能，在关系分类和处理 “无关系” 问题方面表现出了更好的性能，实验证明 PromptRE 在 ReDocRED 数据集上优于基线方法。

    Oct, 2023

  • 通过描述性关系提示和对比学习进行句子级别关系提取

    本文提出了一种新的范式 —— 具有描述性关系提示和对比学习的对抗性学习 (CTL-DRP)，用于共同考虑实体信息、关系知识和实体类型限制，通过提出的方法，在 TACRED 上获得了 76.7% 的竞争性 F1 - 分数，在 TACREV 和 Re-TACRED 都达到了 85.8% 和 91.6% 的最高水平表现。

    Apr, 2023

  • 基于提示的无监督关键词提取的初步实证研究

    通过实验证明，设计复杂的提示可能并不一定比设计简单的提示更有效，设计的提示中的关键词的改变会影响整体性能，在面对长文档时，设计复杂的提示可以获得更好的性能。

    May, 2024

  • 跨语言关系抽取的 Prompt 学习

    本研究提出了一种基于 Prompt-Tuning 的 XRE 算法，使用多语言 Pre-trained 语言模型，通过硬性提示、软性提示、混合提示等多个提示模板来改进 XRE 的效果，实验表明我们的算法在多语言环境下有显著的效果并且在新数据集上也表现优秀，代码和数据集已开放。

    Apr, 2023

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

    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。

    Mar, 2022

  • 使用 GPT-J 与 RoBERTa 进行 NER 模型在电子牙科记录中的牙周诊断抽取

    这项研究探讨了提示生成在命名实体识别（NER）任务中的可用性以及在不同设置下的性能。研究强调了种子质量而非数量对于给 NER 模型提供输入的重要性。

    Nov, 2023

  • 基于因果干预的提示去偏置事件论元抽取

    本文通过比较两种不同的提示策略，即基于名称的提示和基于本体的提示，揭示了本体提示方法在零样本事件论证提取中的优势，并提出了一种因果干预的去偏方法。实验表明，经过去偏处理后的基准模型不仅更为有效和鲁棒，而且在对抗攻击方面有显着的改进。

    Oct, 2022

  • 朝着现实低资源关系抽取的方向：具有实证基线研究的基准测试

    本文通过三种不同的方案对低资源情况下关系抽取系统进行了全面研究，并创建了包含 8 个 RE 数据集的基准，示范了不同的方法与结合的影响，结果表明虽然基于提示的调整有助于低资源 RE，但在从跨句子上下文中提取多个关系三元组时仍有很大改善潜力，数据增强与自我训练可以较好地充实现有基准，并可带来很多性能提升，然而自我训练并不能始终实现低资源关系抽取的进步。

    Oct, 2022