IJCAIMay, 2022

FastRE：基于卷积编码器和改进级联二元标注框架的快速关系抽取

PDF
TL;DR本文提出一种基于卷积编码器和改进的级联二进制标记框架的快速关系提取模型 (FastRE)，通过采用多项创新来提高效率并保持优异的性能，实验结果表明 FastRE 在效率和性能之间取得了良好的平衡。
relation extractionefficiencyconvolutional encodercascade binary taggingperformance
发现论文，激发创造
  • 神经度量学习用于快速端到端关系抽取

    本文提出了一种新颖的神经架构，利用表格结构和二维卷积技术进行本地依赖特征池化，从而改善了以往的最佳性能，在不需要全局优化的前提下实现了端对端关系提取任务（包括命名实体识别和关系抽取），相较于之前最好的结果提高了约 1％的 F1 分数，并且训练和测试时间快 7 至 10 倍。

    May, 2019

  • 使用卷积和记忆网络在维基百科表格上进行关系抽取

    本文探讨了如何将神经方法运用在表格数据上，以提取实体之间的关系，并介绍了一种在卷积神经网络 (CNN) 和双向长短记忆网络 (BiLSTM) 的基础上构建的新模型，通过实验结果和综合分析，表明该模型在关系提取方面表现出色，是未来进一步研究的一个方向和场景。

    Jul, 2023

  • 简而言之：用一种令人沮丧却行之有效的方法重新思考最新连续关系抽取模型

    提出了一个名为 FEA 的连续关系抽取方法，其中包含两个学习阶段：快速适应和平衡微调。该方法适用于处理类增量数据流，并在 TACRED 或 FewRel 上实现了与最先进的基线相当或更高的性能。通过对数据不平衡的仔细检查，我们发现 FA 阶段可以放大内存数据的潜力，而 BT 阶段有助于建立更平衡的决策边界。此方法提供了可操作的见解和建议，为未来的 CRE 模型设计提供启示。

    Sep, 2022

  • 使用预训练语言表示优化关系提取

    使用 TACRED 及 SemEval 2010 Task 8 数据集，TRE 通过使用预先训练的深度语言表示模型以及自注意力深度学习模型，从文本语料库中自动学习隐式语言特征并显著提高样本效率，从而实现了关系提取任务的新的最优结果。

    Jun, 2019

  • 实体关系抽取的有效多任务交互：带有选择循环网络的统一框架

    提出一种新的联合框架，将实体关系抽取重新定义为统一的跨度抽取任务，利用选择递归网络作为共享编码器设计两种顺序信息传播策略来实现命名实体识别和关系抽取的交互作用，实现了 NER 和 RE 的相互利益。在 ACE05 和 SciERC 两个公共基准测试集上实验表明，我们的方法可以实现最先进的结果。

    Feb, 2022

  • 基于序列标注的少样本关系抽取框架

    本篇论文提出基于序列标注联合提取方法的小样本关系抽取任务，利用少量标注数据解决领域中标注数据不足的问题，并将两种实际序列标注模型应用于这个框架达到了良好的效果。

    Aug, 2022

  • AutoRE：基于大型语言模型的文档级关系抽取

    通过引入 AutoRE 模型和 RHF (Relation-Head-Facts) 的新型 RE 提取范式，结合 QLoRA (Parameters Efficient Fine Tuning) 算法构建了一个易于扩展的 DocRE 框架，在 RE-DocRED 数据集上展现了最佳性能，超过 dev 和 test 集合上分别为 TAG 10.03% 和 9.03% 的最新结果。

    Mar, 2024

  • 一种新型级联二进制标记框架用于关系三元组抽取

    提出了一个新的级联二进制标记框架（CasRel）来解决关系三元组抽取任务中的重叠问题，并且在两个公共数据集 NYT 和 WebNLG 上相对于最强基线在 F1 分数上具有 17.5 和 30.2 绝对增益。

    Sep, 2019

  • 大语言模型时代下关系抽取的再审视

    本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

    May, 2023

  • 句子级关系抽取的改进基准线

    该文介绍了基于句子的关系抽取问题，着重探讨了影响现有关系抽取模型性能的实体表示和噪声标签问题，并利用预训练语言模型提出了改进的基线模型，在 TACRED 数据集上取得了 F1 分数 74.6%，在 Re-TACRED 数据集上取得了 F1 分数 91.1%，证明预训练语言模型在该任务上具有高性能。

    Feb, 2021