联合实体 - 关系抽取的两阶段范式
本文提出了一种基于序列标注的分解策略,将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务,这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明,该方法在三个公共数据集上优于先前的工作,达到了 21.5% 的新最优 F1 分数。
Sep, 2019
该研究论文介绍了一种基于跨度的多任务实体 - 关系联合提取模型,通过多任务学习和位置信息的引入,有效地减轻了负样本对模型性能的负面影响,同时在广泛应用的公共数据集 CoNLL04、SciERC 和 ADE 上取得了令人称赞的 F1 得分。
Sep, 2023
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
提出了一种新的基于 span 的模型,旨在准确地识别重叠和不连续的命名实体,并通过关系分类判断实体片段之间的关系。实验结果表明,这种模型在处理重叠和不连续的命名实体时具有很高的竞争力。
Jun, 2021
用一个模型识别实体对及其关系的联合实体和关系抽取任务中,存在嘈杂标签的问题。为了填补这个空白,我们引入了一种新的噪音鲁棒方法,可以同时进行实体和关系检测,并使用一个新的损失函数惩罚与显著关系模式和实体关系依赖性不一致的情况,以及一个自适应学习步骤迭代地选择和训练高质量实例。在两个数据集上的实验证明,我们的方法在联合抽取性能和噪音减少效果方面优于现有的最新方法。
Oct, 2023
本文介绍了一种轻量级的基于注意力机制的模型 SpERT,通过对 BERT 嵌入进行实体识别和过滤,以及基于标记的上下文表示进行关系分类,结合单 BERT 传递的高效负样例抽取方法,在多个数据集上取得了高于先前工作最高达 2.6% F1-score 的性能表现。
Sep, 2019
通过使用标准跨度机制和标记跨度机制、构建实体注意力机制,本研究提出了一种完全解决三元组重叠问题的信息抽取方法,并在两个公共数据集上进行了测试。该方法在这两个数据集上达到最佳性能。
Apr, 2023
本文提出了一个联合模型,用于从文件中提取实体级别的关系。该模型在实体级别上操作,采用多任务方法,并通过多实例学习以及多级表示技术聚集相关信号,旨在提取文档中的关系。研究结果表明,该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时,实验结果表明,与特定任务学习相比,联合方法在参数共享和训练步骤方面更加高效。
Feb, 2021
我们提出了一种新模型,旨在联合提取实体和关系,通过解耦特征编码过程并使用细粒度的子任务特定特征以及采用新的信息交互策略来增强模型性能,并在实验中展现了优于现有模型的结果。
May, 2024