ACLMay, 2022

HiURE: 分层范例对比学习用于无监督关系抽取

PDF
TL;DR提出了一种名为 HiURE 的对比学习框架，它能够利用交叉层次注意力从关系特征空间中得出层次信号，并在基于实例的对比学习下有效地优化句子的关系表示，从而在无监督关系提取中表现出先进的效果和鲁棒性。
发现论文，激发创造
  • 无监督关系抽取的孪生表示学习

    无监督关系抽取中的 Siamese 表示学习框架通过利用正样本对关系表示进行学习，有效优化实例的关系表示并保留了关系特征空间中的层次信息，取得了显著的研究成果。

    Oct, 2023

  • 通过增加多样的句对改进无监督关系抽取

    通过增强连接句对的多样性和增强对比学习的差别性能，我们提出了 AugURE 方法，并针对关系表示学习中的噪声对比估计损失限制，应用边界损失进行句对学习，实验结果表明该方法取得了最先进的性能。

    Dec, 2023

  • 无监督关系抽取再审视

    通过使用命名实体来诱导关系类型，我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术，并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。

    Apr, 2020

  • HiCLRE：一种基于分层对比学习的远程监督关系抽取框架

    本文提出了一种基于对比学习的层次化关系抽取框架（HiCLRE），该框架结合全局结构信息和局部微粒度交互以减少噪声句子，并在不同的 DSRE 数据集中均显著优于强基准模型，其中包括了远程监督、关系抽取、多粒度重上下文化和对抗扰动等关键词。

    Feb, 2022

  • HIORE: 利用高阶交互进行统一实体关系抽取

    本文提出了一种新的统一实体关系抽取方法 HIORE，该方法利用高阶交互来捕捉更丰富的信息，并在三种基准测试中取得了最先进的性能表现，相对于之前的最优模型提高了 1.1~1.8 F1 分数。

    May, 2023

  • UniRE: 实体关系抽取的统一标签空间

    本文提出一种新型联合实体关系抽取模型，它将实体检测和关系分类合并到一个标签空间中，使用一个统一的分类器预测每个单元格的标签，并提出了一种有效的近似解码器，实验表明该模型在三个基准测试中取得了与最佳抽取器相当的准确率，并且速度更快。

    Jul, 2021

  • 学习双重检索模块用于半监督关系抽取

    本文提出 DualRE，使用弱监督技术结合自我训练机制和多视图学习方法，在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明，该方法有效地提高了模型的性能表现。

    Feb, 2019

  • 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

  • SelfORE: 自监督关系特征学习用于开放领域关系抽取

    本研究提出了一个自主提取的框架 (SelfORE)，通过利用大规模预训练语言模型，自适应聚类上下文化的关系特征，并通过改进关系分类的上下文化特征来引导自主提取过程，并在三个数据集上的实验结果表明 SelfORE 在与竞争基线的比较中，已实现了在开放领域的关系提取方面的有效性和鲁棒性。

    Apr, 2020

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020