ACLMay, 2022

文档级联实体和关系提取任务交互建模

PDF
TL;DR本研究基于一种端到端的设置，同时执行提及提取，共指解决和关系提取，并在实体为中心的评估中进行文档级别的关系提取，特别是解决了以前工作未考虑的共指解决和关系提取之间的交互问题，并提出了显式交互，即图兼容性，以发挥任务特征的作用，通过相互作用的决策来弥合两个任务。本实验证明了该方法的有效性，并取得了比基线高 2.3/5.1 F1 改进的最优性能。
发现论文，激发创造
  • 实体知识注入增强文档级关系抽取

    本文提出了一种实体知识注入框架，以加强当前的文档级关系提取模型，并通过两个基准数据集的实验证实了我们扩展核链和融合知识图和文档表示的能力提高了文档级关系提取模型的一致性

    Jul, 2022

  • 基于相似度的增强记忆联合实体和关系抽取

    本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

    Jul, 2023

  • 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

  • 基于多实例学习的实体级关系抽取端到端模型

    本文提出了一个联合模型，用于从文件中提取实体级别的关系。该模型在实体级别上操作，采用多任务方法，并通过多实例学习以及多级表示技术聚集相关信号，旨在提取文档中的关系。研究结果表明，该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时，实验结果表明，与特定任务学习相比，联合方法在参数共享和训练步骤方面更加高效。

    Feb, 2021

  • 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

  • 文档级关系抽取：基于上下文引导的实体融合和实体之间关系推理

    本文提出了基于上下文的提及整合和实体间推理两种技术，以改善文档级关系抽取。在三个基准数据集上的实验结果表明，我们的模型胜过了先前的最先进模型。

    Jan, 2022

  • 文档级关系抽取与重构

    该研究提出了使用 encoder-classifier-reconstructor 模型来解决 DocRE（document-level relation extraction）中因图形结构普遍建模不含关系的实体对而导致性能较差的问题，并在大规模 DocRE 数据集上得到了显著的性能提升。

    Dec, 2020

  • 重新思考文档级关系抽取：现实检验

    本文针对文档级关系抽取领域中广泛存在的一种强假设，即所有命名实体都已经完美地本地化、标准化和分类，通过构造四种类型的实体提及攻击，对典型的文档级关系提取模型进行行为探测，发现大多数当前的文档级关系提取模型易受实体提及攻击的影响，难以在真实世界的自然语言处理应用中部署，在未来的研究中建议停止简化问题设置，并在真实环境下建模文档级关系提取。

    Jun, 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

  • 面向科学知识图谱构建的实体、关系和共指的多任务识别

    本研究提出了一个多任务学习框架 SciIE 来识别、分类科学文章中的实体、关系和共指链接，并使用跨句子的共指链接来减少任务之间的级联错误。在科学信息提取方面，多任务模型效果优于以往模型，同时支持构建科学知识图谱分析科学文献。

    Aug, 2018