ACLOct, 2022

基于模仿学习的迭代式文档级信息提取

PDF
TL;DR使用迭代抽取模型 IterX，将复杂关系或模板表示为 N 元组，应用于实现 SciREX 上的四元关系抽取和 MUC-4 上的模板抽取等任务，并取得了最新的研究结果。
iterxextraction modelcomplex relationsimitation learningstate-of-the-art results
发现论文，激发创造
  • 基于实体的文档级信息提取作为模板生成

    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

  • 远程监督的词形句法模型用于关系抽取

    信息抽取任务涉及将非结构化文本内容自动转换为结构化数据。本文提出了一种从文本中提取和分类无限制关系集的方法，它基于远程监督方法获取的形态 - 句法抽取模式，并创建句法和语义索引来提取和分类候选图。我们在构建在 Wikidata 和 Wikipedia 上的六个数据集上评估了我们的方法。评估结果显示，我们的方法可以实现高达 0.85 的精确度得分，但召回率和 F1 得分较低。我们的方法可以快速构建基于规则的信息抽取系统，并构建注释数据集以训练基于机器学习和深度学习的分类器。

    Jan, 2024

  • InteractiveIE: 评估人工智能协作强度，提高信息提取性能

    本文探讨在缺乏预定义模板情况下，如何从零或最少的监督中从文档中归纳模板，以及如何使用自动问答生成来实现这个目标，结合少量人工监督提高模型的性能。实验结果表明，这种 InteractiveIE 方法在对昂贵的生物医药和法律文件进行信息提取时能够带来良好的性能提升。

    May, 2023

  • 模板填充实现零样本三元组抽取

    本文提出一种新的框架 ZETT，基于预训练语言模型，并采用端到端生成式 Transformer 技术，将三元组抽取任务简化为模板填充任务从而具备了零 - shot 学习能力，并能利用语言模型中的隐含知识，实验表明该方法可以在不进行数据增强和流水线系统的情况下超过之前的最优模型，对实体的检测也更为稳健。

    Dec, 2022

  • 文档级信息抽取自动错误分析

    本研究提出通过基于转换的框架实现文档级事件和关系提取自动化错误分析，进而比较两种最先进的模板填充方法在三个领域的数据集上的表现，并对信息提取领域自其 30 年前创始以来的发展进行了评估。

    Sep, 2022

  • 利用多原型嵌入桥接文本和知识，进行少样本关系三元组提取

    本文提出了一种新的多原型嵌入网络模型，旨在共同提取关系三元组的组成，即实体对和相应的关系，通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识，从而注入实体和关系之间的隐式相关性，并提出原型感知正则化来学习更具代表性的原型，实验结果表明，该方法可以提高少样本三元组提取的性能。

    Oct, 2020

  • IMoJIE: 迭代基于内存的联合开放信息提取

    本文介绍了一种基于神经网络的扩展模型 IMoJIE，该模型在 Open Information Extraction 任务中可以产生变化的、多样化的信息提取结果。与先前的基于规则的系统相比，该模型取得了 18 个 F1 分数的优势，也超越了基于 BERT 模型的强基线模型。

    May, 2020

  • 基于语义分割的文档级关系抽取

    本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

    Jun, 2021

  • 镜映：一种适用于各种信息抽取任务的通用框架

    我们将信息提取问题重新组织为多槽元组，并提出了一种名为 Mirror 的通用框架，通过非自回归图解码算法一步提取所有跨度，以支持复杂的信息提取任务、机器阅读理解和分类任务。

    Nov, 2023

  • TTM-RE：记忆增强的文档级关系抽取

    大规模嘈杂训练数据中的文档级关系抽取问题是一个具有挑战性的领域，本研究提出了一种集成可训练内存模块（Token Turing Machine）和嘈杂鲁棒性损失函数的新方法 TTM-RE，通过在 ReDocRED 基准数据集上进行广泛实验，实现了最先进的性能表现（F1 得分提高了 3% 以上），并在其他领域（如生物医学领域的 ChemDisGene 数据集）和高度未标记的情境下展现了 TTM-RE 的优越性.

    Jun, 2024