Oct, 2022

U3E: 无监督和擦除基础证据提取用于机器阅读理解

PDF
TL;DR本研究提出一种无监督证据抽取方法 U3E，它利用文本中句子级特征擦除的变化作为输入，模拟人类记忆衰退造成的问题解决能力下降。通过比较实验结果表明，U3E 不仅可以更准确地抽取证据，而且还可以显著改善模型性能。
machine reading comprehensionunsupervised evidence extractionsentence-level feature erasuresemanticsmodel performance
发现论文，激发创造
  • 面向机器阅读理解的证据句子提取

    本研究提出一种利用深度概率逻辑学习框架提取证据句子的方法，在三个具有挑战性的多项选择机器阅读理解数据集上实现了可比较或更好的性能，为多项选择机器阅读理解提供了新的思路。

    Feb, 2019

  • 一种软证据抽取的机器阅读理解自训练方法

    本研究提出了一种名为自学习方法的新技术，通过自动生成的证据标签迭代地监督证据提取器，从而提高了现有机器阅读理解模型的性能

    May, 2020

  • 弱监督和半监督证据提取

    本文介绍了一种结合少量证据注释和大量文档级别标签的新方法，用于证据提取任务，同时对两个包含证据注释的分类任务进行评估，发现我们的方法优于在解释性文献适用的基线方法。将少至百个证据注释运用到该方法中可得到显著收益。

    Nov, 2020

  • 无监督基于对齐的迭代证据检索用于多跳问答

    本文提出了一种简单、快速和无监督的迭代证据检索方法，包括三个步骤：无监督对齐、迭代查询和停止准则。该方法在两个数据集上取得了最好的效果，证据句子被送入 RoBERTa 回答分类组件，我们在这两个数据集上实现了最先进的问答性能。

    May, 2020

  • 通用信息提取的统一结构生成

    本文提出了一种名为 UIE 的统一文本到结构生成框架，可通用地模拟不同的信息提取任务，通过基于模式的指示器机制自适应生成目标结构，并通过大规模的预训练文本到结构模型捕捉共同的信息提取能力。实验结果显示，UIE 在四个 IE 任务、13 个数据集和不同的实验条件下实现了最先进的性能，验证了其有效性、通用性和可迁移性。

    Mar, 2022

  • 无监督关系抽取再审视

    通过使用命名实体来诱导关系类型，我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术，并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。

    Apr, 2020

  • Eider：基于高效证据提取和推理阶段融合的文档级关系抽取

    本文提出了一种证据增强的框架 Eider，该框架采用有效提取证据的方法并通过融合层推断有效结合提取的证据和完整文档，从而优化了基于整篇文档的关系抽取方法，实验证明 Eider 在三个基准数据集上优于现有最先进方法（例如 DocRED 上 Ign F1/F1 提高了 1.37/1.26）

    Jun, 2021

  • DREEAM：利用证据引导注意力以提升文档级关系抽取

    本文针对文档级别关系抽取中证据检索面临的内存消耗高和注释有限的问题，提出了 DREEAM 方法，其采用内存高效的方式指导 DocRE 系统将注意力集中于证据上并采用自学习策略从大量数据中自动生成证据，实验证明该方法在 DocRE 和 ER 方面取得了最先进的性能。

    Feb, 2023

  • 通过句子简化改进零样本事件提取

    本文提出一种通用方法，在 MRC 模型的指导下执行无监督的句子简化，以改善 MRC-based 事件提取的性能，并在 ICEWS 地缘政治事件提取数据集上进行评估，特别关注 'Actor' 和 'Target' 参数角色，结果显示上下文简化可以提高演员提取 5% 以上和目标提取 10% 以上的性能。

    Apr, 2022

  • 基于实体和证据引导的 DocRED 关系抽取

    这篇论文提出了一种基于预训练语言模型的 E2GRE 框架，通过实体引导序列和内部注意概率作为额外特征，来帮助文献级关系抽取和证据预测，并取得了在 DocRED 数据集上最先进的结果。

    Aug, 2020