Oct, 2022

基于跨度的联合实体和关系提取，结合序列标注机制

PDF
TL;DR提出了一种深度神经网络模型 STSN，该模型将序列标注和基于区间的联合抽取结合起来，可以使模型从序列标注机制中学习标记信息，并将其应用于基于区间的联合抽取中，并在三个基准数据集上实现了新的最优结果。
named entity recognitionrelation extractionspan-based joint extractionsequence tagging augmented span-based networkneural architecture
发现论文，激发创造
  • 基于序列标注的少样本关系抽取框架

    本篇论文提出基于序列标注联合提取方法的小样本关系抽取任务，利用少量标注数据解决领域中标注数据不足的问题，并将两种实际序列标注模型应用于这个框架达到了良好的效果。

    Aug, 2022

  • 一种用于嵌套命名实体识别的序列到集合网络

    提出了一种用于嵌套命名实体识别的序列到集合神经网络，并利用二分匹配的损失函数计算整体训练损失，实验结果表明该模型在三个嵌套命名实体识别数据集上取得了最先进的结果。

    May, 2021

  • 联合语音翻译和命名实体识别

    本篇论文提出了多任务模型将直接语音翻译和命名实体识别相结合，并与传统串行方法进行了对比，在不降低翻译质量的情况下，在命名实体识别任务上显著提高了性能。

    Oct, 2022

  • SpanNER: 命名实体重新识别 / 识别作为跨度预测

    本文研究了使用 span prediction 和 sequence labeling 框架进行命名实体识别的优缺点，并提出了系统组合的方法来重新识别来自不同系统的命名实体，并在 11 个数据集上进行了 154 个系统的实验，证明了 span prediction 也可以作为基础 NER 系统和系统组合器，同时也将我们的模型部署到 ExplainaBoard 平台上。

    Jun, 2021

  • 实体关系抽取的有效多任务交互：带有选择循环网络的统一框架

    提出一种新的联合框架，将实体关系抽取重新定义为统一的跨度抽取任务，利用选择递归网络作为共享编码器设计两种顺序信息传播策略来实现命名实体识别和关系抽取的交互作用，实现了 NER 和 RE 的相互利益。在 ACE05 和 SciERC 两个公共基准测试集上实验表明，我们的方法可以实现最先进的结果。

    Feb, 2022

  • 基于 Transformer 预训练的跨度联合实体和关系抽取

    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

  • 基于 Span 和实体注意力机制的实体和重叠关系抽取技术

    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

  • 基于序列到序列的文档级关系抽取方法

    本文提出了一种基于序列到序列模型的方法 seq2rel，使用实体推荐技术，可以替代传统的基于流水线任务的文档级关系抽取方法来同时完成抽取实体和关系的子任务，通过在几个受欢迎的生物医学数据集上的实验，本方法表现出了比现有流水线方法更优秀的性能，我们还展示了端到端方法超越流水线方法的结果。

    Apr, 2022

  • 各种 NER 子任务的统一生成框架

    该研究提出了一种基于序列到序列的统一框架实现实体识别子任务的方法，既不需要特定的标记模式和枚举语法，也能够同时解决平面、嵌套和不连续型 NER 任务，通过使用三种实体表示方法，实现了出色的表现。

    Jun, 2021

  • 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