IJCAIMay, 2022

神经开放信息抽取综述：当前状态与未来方向

PDF
TL;DR这篇文章针对开放信息抽取 (OpenIE) 进行了广泛的综述，其中包括最先进的神经网络 OpenIE 模型、它们的设计决策及其优缺点，以及当前解决方案的局限性和 OpenIE 问题本身存在的问题。最后，我们列出了能够扩展其范围和适用性的最新趋势，为 OpenIE 领域的未来研究开辟了有前途的方向。
发现论文，激发创造
  • 神经开放信息提取

    本文提出了一种基于神经网络的 Open IE 方法，采用了编码器解码器框架和引导式自我学习的方法，实验表明这种方法比传统方法更优秀。

    May, 2018

  • 2007 年至 2022 年的开放式信息抽取 -- 综述

    本文系统综述了 2007 年至 2022 年间的开放信息提取技术，提出了基于信息来源的新分类方法，并总结了三种主要方法、当前流行的数据集和模型评估指标，展示了数据集、信息来源、输出形式、方法和评估指标等方面的未来发展方向。

    Aug, 2022

  • 开放信息提取

    本文概述了两代 Open IE 系统，包括其优点、弱点和应用范围。第二代系统在深度语言学分析下，通过动词短语或从句提取最常见的关系类型，并获得比第一代系统更高的性能。

    Jul, 2016

  • 使用开放信息提取回答复杂问题

    本研究提出了一种 Open IE 推理方法，利用最近提出的支持图优化框架进行 QA，从而使得可以更有效地处理所提出的方法中所述的多种难度级别的复杂问题。同时本方法不依赖于手动策划的知识。

    Apr, 2017

  • 基于预训练语言模型的高效开放信息抽取数据学习

    通过将 OpenIE 任务形式巧妙地转换为 T5 模型的预训练任务形式，并引入锚点的创新概念，OK-IE 显著减少了对大量训练数据的需求，消除了模型收敛速度慢的问题，实验结果显示，相较于之前的 SOTA 方法，OK-IE 仅需 1/100 的训练数据量（900 个实例）和 1/120 的训练时间（3 分钟）即可达到可比较的结果。

    Oct, 2023

  • 通向广义的开放式信息抽取

    本文介绍了一种名为 DragonIE 的 OpenIE 模型，它使用有向无环图的文本事实的极简表示来提高 Generalized OpenIE 的一般性能，并在 In-domain 和 out-of-domain 设置中表现出比以前的方法高 6.0％的 F1 分数的提升，但仍有大量改进的空间。

    Nov, 2022

  • 开放信息抽取调查

    本文详细介绍了针对开放式信息抽取任务提出的各种方法，包括面临的挑战、方法的发展历程和解决的特定问题，同时评论了常用的评估程序以及展望未来的研究方向。

    Jun, 2018

  • 开放信息抽取的语法多视角学习

    本研究使用多视图学习将从开放域语句中提取的关系元组所需的句法信息从成分结构和依赖关系树映射到词级别的图中并进行拓展，达到更好地融合此类信息的目的。实验证明，这种多视图学习的方法与使用多种信息源构建元组是非常有效的。

    Dec, 2022

  • 问题 - 答案对的开放式信息提取

    NeurON 是一个从问题 - 答案数据对中提取元组的系统，它使用多源序列到序列学习任务将问题和答案的分布式表示组合在一起以生成知识事实，并比其他最先进的 OpenIE 方法找到更多新的有趣事实来扩展知识库。

    Mar, 2019

  • 科学文本中的开放信息抽取：一个评估

    该论文使用众包方法评估两种最先进的开放信息抽取系统在 10 个不同学科的科学文本上的性能，发现 OIE 系统在科学文本上的表现明显劣于百科全书文本，在提供错误分析并建议减少错误的领域的同时，提出了一个句子和判断的语料库。

    Feb, 2018