Jun, 2022

MORE: 基于度量学习的开放领域关系抽取框架

PDF
TL;DRMORE 利用深度度量学习从标注数据中获取丰富的监督信号，并直接驱动神经模型学习语义关系表示，提高开放域关系抽取 OpenRE 的效率和性能。
open relation extractionmetric learningsemantic representationneural modelreal-world datasets
发现论文，激发创造
  • 活跃关系发现：面向通用和标签感知的开放关系抽取

    提出了 Active Relation Discovery (ARD) 框架，利用关系离群点检测识别社区中已知和新颖的关系，并介绍了有关人类可读和有意义的类型的活动学习，以便为新颖关系进行标记。此框架在传统和新提出的 OpenRE 设置下在三个真实世界的数据集上进行了广泛的实验，结果表明其性能显著优于以前的最先进方法。

    Nov, 2022

  • 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

  • 一种面向关系的开放式关系抽取聚类方法

    本文提出一种关注于关系的聚类方法，使用已标注的关系数据训练模型，使聚类结果更符合关系的语义类别，旨在提高开放关系提取的准确性和效率。

    Sep, 2021

  • 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

  • 现实世界中基于半监督的开放式通用关系发现

    这篇论文提出了一种名为 KNoRD 的方法，该方法在未标记数据中识别明确和隐含的关系，并有效地分类已知和新的关系类别，是 Open-world Relation Extraction 领域的最新研究成果。

    May, 2023

  • 基于混合神经标注模型的开放关系抽取

    本研究提出了一种基于序列标注与双重感知机制（Local-aware Attention 和 Global-aware Convolution）的混合神经网络模型（HNN4ORT），以克服 Open relation extraction 任务中训练数据不足与特定神经结构建模的问题，并通过多种测试表明其显著的性能优势。

    Jul, 2019

  • 使用 OpenIE 丰富化关系抽取

    本研究探讨了最近开放信息提取方法（OpenIE）如何通过将句子的结构信息编码为向量表示来改进关系提取（RE）的任务，实验结果表明，使用 OpenIE 以及 BERTFine-tune 的方法可以改善 RE 的效果。

    Dec, 2022

  • 关系之间的关系：关系抽取问题的新范式

    本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法，不需要手工规则，能够完整考虑同一个上下文中的多个关系，并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证，证明该方法优于现有方法 1.12％到 2.55％不等。

    Jun, 2020

  • 主动监督聚类用于开放式关系抽取

    本文提出一种名为主动监督聚类的新颖设置，该设置可以交替执行聚类学习和关系标签，为聚类提供必要的指导，而不需要显着增加人力劳动。

    Jun, 2023

  • 深度学习在关系抽取中的综合调查：最新进展与新前沿

    本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。

    Jun, 2023