ACLMay, 2022

Few-Shot 文档级关系抽取

PDF
TL;DR本研究提出了 FREDo，一种少样本文档级关系抽取基准测试，通过两个现有的监督学习数据集 DocRED 和 scieRC 构建了一个基准测试，并发现 FSDLRE 是一种具有新特征的具有挑战性的任务，特别是关于 NOTA 分布的真实性，可以从支持集中抽样 NOTA 实例。
few-shot document-level relation extractionbenchmarksupervised learningdomain adaptationnota distributions
发现论文，激发创造
  • RAPL：一种面向少样本文档级关系抽取的关系感知原型学习方法

    本文提出了一种关系感知的原型学习方法，通过巧妙利用关系描述和真实的任务特定的 NOTA 实例来有效地改进关系原型并生成任务特定的 NOTA 原型，实验证明该方法在两个 FSDLRE 基准测试的各种设置中比最先进的方法平均提升了 2.61% 的 F1 得分。

    Oct, 2023

  • 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

  • 探究少样本关系抽取的任务难度

    本文研究了少样本关系抽取问题，在元学习的基础上，提出了一种基于对比学习的方法，该方法通过利用关系标签信息来学习更好的表征，并进一步设计了一种方法，使模型能够自适应地学习如何关注难任务。实验表明，我们的方法在两个标准数据集上都有出色的表现。

    Sep, 2021

  • 实体概念增强的少样本关系抽取

    本文提出了一种新颖的基于实体概念增强的少样本关系提取方案（ConceptFERE），通过计算句子与概念之间的语义相似度，选择最合适的概念，再通过自注意力融合模块建立概念嵌入和句子嵌入之间的联系，提高了关系分类性能。

    Jun, 2021

  • FewRel 2.0：面向更具挑战性的小样本关系分类

    通过 FewRel 2.0 任务，本研究检验了 few-shot 关系分类模型在新领域适应和检测未知关系方面的能力，并发现现有的领域自适应和 NOTA 检测技术仍不能很好地处理这两个问题。

    Oct, 2019

  • 基于大语言模型的远程监督半自动文档级关系抽取数据增强

    通过集成大型语言模型和自然语言推理模块，我们提出一种自动标注方法来生成关系三元组，从而增强文档级关系数据集，我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性，该方法在重新注释众多长尾关系类型方面表现出色，并且在推进广义语言语义理解方面提供了实际好处。

    Nov, 2023

  • DocRED：大规模文档级关系抽取数据集

    本文介绍 DocRED 数据集，该数据集为文档级别中关系抽取 (Relation Extraction) 提供了一个新的方法，并提供了大规模的远程监督数据，以满足超级 / 弱监督训练需求。同时我们实验了目前最先进的方法，结果表明文档级别中关系抽取仍需要进一步的研究。

    Jun, 2019

  • 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

  • 文档级远程监督下的去噪关系抽取

    本研究提出了一种基于预训练模型的方法，用于减少文档级别关系抽取中由远程监督产生的噪声。实验结果表明，该方法能够从噪声数据中捕获有用的信息，取得了良好的效果。

    Nov, 2020

  • 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