实体知识注入增强文档级关系抽取
我们提出了一种新颖方法 KXDocRE,在跨文档关系抽取中嵌入了实体的领域知识,相比基准方法具有三个主要优势:1)它将实体的领域知识与文档的文本结合起来;2)它通过生成解释性文本来解释实体之间的预测关系;3)它在性能上优于先前的方法。
May, 2024
本研究提出了一种知识增强的生成模型,能够前所未有地利用知识图谱来解决关系抽取问题中的歧义,显著提高了在多个基准测试和设置下的性能表现。
Jun, 2022
本文提出了一种基于生成式框架的文档级实体提取方法,该方法能够高效地捕获跨多实体的相关信息,使用了一种名为 TopK Copy 的交叉注意力引导复制机制,实验结果表明此方法达到了科技论文数据集上的新的最优结果。
Sep, 2021
本文提出了一个半监督框架,包含三个新组件,针对文档级关系抽取任务进行优化,通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题,以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型,并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。
Mar, 2022
本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型,与现有方法比较,在 CodRED 数据集上取得至少 10% 的 F1 值的提升,从而展示其在跨文档关系提取中的有效性。
Oct, 2022
本文提出了一种采用迭代推理的文档级关系抽取模型,包括一个基本模块和一个推理模块,推理模块引入了两个扩展交叉注意力单元,可以在关系推理过程中利用实体对的特征信息和之前的预测结果,通过对几乎无法预测的实体对进行处理以及引入对比学习等技术的二阶段训练策略,实现了对三个常用数据集的高效率解决方案。
Nov, 2022
我们提出了一种关系图方法,用于明确利用关系之间的相互依赖性,在文档级别关系抽取中考虑关系的相互关联,并通过关系图模型化关系之间的相关性,以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能,在文档级别关系抽取中考虑关系的相互关联的有效性。
Oct, 2023