COLINGAug, 2022

使用提示引导具有关系语义的模型进行对话关系抽取

PDF
TL;DR本文提出了一个利用 prompt-based fine-tuning 的 Guiding model with RelAtional Semantics (GRASP) 方法，在不添加额外层次的情况下，通过一种关注 argument 的 prompt 标记策略和关系线索检测任务，从语料库中提取出相关语义线索，并在 DialogRE 数据集上实现了 F1 和 F1c 得分的最先进性能。
dialogue-based relation extractionlanguage modelsrelational semanticsprompt-based fine-tuningstate-of-the-art performance
发现论文，激发创造
  • 通过描述性关系提示和对比学习进行句子级别关系提取

    本文提出了一种新的范式 —— 具有描述性关系提示和对比学习的对抗性学习 (CTL-DRP)，用于共同考虑实体信息、关系知识和实体类型限制，通过提出的方法，在 TACRED 上获得了 76.7% 的竞争性 F1 - 分数，在 TACREV 和 Re-TACRED 都达到了 85.8% 和 91.6% 的最高水平表现。

    Apr, 2023

  • 基于对话的关系抽取

    本文介绍了第一个人工注释的基于对话的关系抽取（RE）数据集 DialogRE，用于支持在对话中预测两个参数之间的关系，尤其是涉及多个句子的跨句子 RE 任务，并基于分析指出演讲者相关信息在该任务中发挥了关键作用。在提出一个新的评估指标以评估在会话环境中进行 RE 方法的性能之后，本文研究了几种常用的 RE 方法在 DialogRE 数据集上的表现，并通过实验证明，最佳表现模型的扩展可以在标准和会话环境的评估设置中都取得收益。

    Apr, 2020

  • 激发隐式言论关系注释

    对于 ChatGPT 而言，在隐性话语关系分类任务中，使用标准的多项选择问题提示尚不令人满意，且远远不及最先进的有监督方法。本研究通过尝试多种证实的提示技术来提高 ChatGPT 对话语关系的识别能力，但实验结果表明，即使使用复杂的提示工程，推理准确性几乎没有改变，暗示隐性话语关系分类在零样本或少样本情况下尚未得到解决。

    Feb, 2024

  • 基于提示的逻辑语义增强的隐含篇章关系识别

    通过 Prompt-based 连接词预测将与话语关系相关的知识无缝地注入到预训练语言模型中，提出了 Prompt-based Logical Semantics Enhancement（PLSE）方法，使其能够轻松获取逻辑语义的丰富特征，从而在话语关系识别方面取得了优异和一致的表现。

    Nov, 2023

  • 一种极简单的对话关系提取模型

    本文提出了一种名为 SimpleRE 的简单而有效的对话关系提取模型，通过一种新颖的输入格式 BRS 捕捉了对话中多个关系间的相互关联，并通过关系细化门（RRG）以自适应的方式提取关系特定的语义表示。实验表明，SimpleRE 在 DialogRE 数据集上取得了最好的性能，并且没有使用外部资源就优于所有直接基线在句级关系提取上的表现。

    Dec, 2020

  • 大语言模型时代下关系抽取的再审视

    本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

    May, 2023

  • 关系抽取作为开卷考试：检索增强的提示调整

    本研究提出了一种半参数学习模式的检索增强提示调优模型用于关系提取，在基于预训练模型的输出和非参数化最近邻分布下，通过开放式书本数据库的查询，可以更好地推理和查询模型选择的例子和知识，经过轨迹学习和训练得出的模型可以用于在标准监督和少样本场景下实现最先进的性能。

    May, 2022

  • 任务引导提示学习在隐式话语关系识别中的应用

    该研究提出了一种称为 TEPrompt 的任务启示式预测学习模型，通过融合三个相关任务的学习特征来识别不明确文本间关系，实验结果表明，TEPrompt 在 IDRR 中表现优于 ConnPrompt，并且能够通过辅助任务的联合训练来提高决策特征和语言模型。

    May, 2023

  • 把握要点：为零 shot 关系抽取量身定制大型语言模型

    通过使用语言模型生成初始种子实例并结合反馈进行改进，在关系抽取任务中实现零样本学习，取得了较基准方法更好的性能。

    Feb, 2024

  • GPT-RE：利用大型语言模型进行关系抽取的上下文学习

    本研究介绍了 GPT-RE，这是一种解决大型语言模型在关系提取中局限性的方法，包括任务特定实体表现的使用和黄金标签引导推理逻辑的使用。该方法在四个数据集上的实验结果表明其超过了 GPT-3 基线并且在 Semeval 和 SciERC 数据集上实现了 SOTA 表现。

    May, 2023