本文提出了一种名为 OneRel 的新型关系抽取模型,将抽取任务视为细粒度的三元组分类问题,在两个常用数据集上的实验结果表明,该方法优于现有基线模型,并在各种重叠模式和多个三元组的复杂场景中持续性能提高。
Mar, 2022
本论文设计了一种评估过滤框架,将大型语言模型与小型模型整合在一起,用于处理关系三元组提取任务,以获得更准确的提取结果。评估模型能够高精度提取相关实体对,并通过简单的标注原则和深度神经网络对模型进行嵌入,将输出作为提示加入到大型模型的提取过程中。通过大量实验证明,该方法可以帮助大型语言模型从含有多个关系三元组的复杂句子中获得更准确的提取结果,同时也能够嵌入传统提取模型以提高其从复杂句子中的提取准确率。
Apr, 2024
本文提出了一种有效的两级解码器方法来从文本中提取重叠的关系三元组,该方法通过具有可训练嵌入的关系相关实体解码器和特定于文本语义的关系解码器来解决重叠三元组问题,并在两个公共数据集上取得了优异的性能。
Jun, 2021
我们提出了一种基于查询的方法,用于构建关系三元组的实例级表示,然后通过对比学习,实现了关系三元组实例级表示的学习和全局信息连接,最终在五个广泛使用的基准测试中达到了最先进的水平。
Nov, 2022
提出一种无需实体级别监督的实体链接和关系抽取模型,避免了流水线方法中产生的级联错误,并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线,极大地提高了系统的总体召回率。
Dec, 2019
本文提出了一种名为 TPLinker 的单阶段联合提取模型,其能够发现共享一个或两个实体的重叠关系,同时免除暴露偏差的问题。该模型通过手部握手标记方案将关系类型下的实体对的边界标记对齐,实验结果表明该模型在多关系抽取方面表现显著优于基准方法,并在两个公共数据集上实现了最先进的性能。
Oct, 2020
本文提出了一种新的多原型嵌入网络模型,旨在共同提取关系三元组的组成,即实体对和相应的关系,通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识,从而注入实体和关系之间的隐式相关性,并提出原型感知正则化来学习更具代表性的原型,实验结果表明,该方法可以提高少样本三元组提取的性能。
该研究论文介绍了知识图谱在信息抽取方法中的应用,探讨了表示学习和图神经网络在知识图谱完成中的作用,以及如何利用知识图谱在下游任务中预测缺失的链接。
Aug, 2022
本文主要介绍了基于实体的关系抽取中传统的二元关系抽取及其发展,同时总结了近期提出的复杂关系抽取任务的定义、进展、挑战和机会。
Dec, 2020
本文提出了一种基于双向抽取框架的标记关系三元组抽取方法,该方法在联合提取主体和关系的同时从两个方向抽取实体对,并通过共享编码器组件实现特征互补和提升,使用双仿射模型为每个实体对分配所有可能的关系,在多个基准数据集上验证其性能和有效性,此外,实验证明,所提出的双向抽取框架和共享感知学习机制具有很好的适应性,可用于提高其他标记基于方法的性能。
Dec, 2021