Nov, 2022

基于聚类抽样的关系依赖对比学习在归纳关系预测中的应用

PDF
TL;DR本研究提出一种基于关系依赖的对比学习方法（ReCoLe），用于关系推断和知识图谱补全，该方法通过聚类算法的新型采样方法适应对比学习，理论上提高了对未知关系和实体的适应能力，实验表明 ReCoLe 在常用的归纳数据集上性能优于现有方法。
发现论文，激发创造
  • 持续对比微调改善低资源关系提取

    该论文介绍了一个用于解决低资源场景下关系抽取的方法，该方法基于自监督学习和对比学习，以一致的目标进行预训练和微调，在两个数据集上的实验表明，该方法在使用 1% 的数据时，较基于 PLM 的分类器分别提高了 10.5％和 5.8％的性能水平。

    Dec, 2022

  • 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

  • 归纳式关系推理的沟通信息传递

    提出了一种基于子图的神经网络模型 CoMPILE，该模型以专注于本地有向子图结构和强大的归纳偏置为特点，在推理和处理实体无关的语义关系方面具有优越性能。

    Dec, 2020

  • 关系抽取的细粒度对比学习

    本文提出了 FineCL 方法，即利用细粒度信息来提高关系提取中学习关系表示的质量，该方法通过训练语言模型以获得标签顺序并判断标签准确性，在预训练中增加准确标签的权重，实验结果表明 FineCL 方法在多个关系提取基准测试任务中都取得了显著的性能提升。

    May, 2022

  • HiCLRE：一种基于分层对比学习的远程监督关系抽取框架

    本文提出了一种基于对比学习的层次化关系抽取框架（HiCLRE），该框架结合全局结构信息和局部微粒度交互以减少噪声句子，并在不同的 DSRE 数据集中均显著优于强基准模型，其中包括了远程监督、关系抽取、多粒度重上下文化和对抗扰动等关键词。

    Feb, 2022

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020

  • 基于关系相关性的文档级关系抽取

    本论文研究了文本级别关系抽取中的长尾问题和多标签问题，并通过引入关系的共现相关性，提出了一种关系嵌入模型来解决这些挑战，最终取得了优于基线模型的结果。

    Dec, 2022

  • 具有语义相关性感知的广义关系学习用于链接预测

    该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。

    Dec, 2020

  • 连续关系抽取的一致表示学习

    研究了连续关系抽取中存在的历史信息遗忘问题，提出了一种基于对比学习和知识蒸馏的持续关系表示学习方法，能够有效地避免历史信息遗忘，并在 FewRel 和 TACRED 数据集上进行了大量实验，相比于现有基线算法，提出的方法表现更具鲁棒性。

    Mar, 2022

  • 关系抽取和分类的生成模型

    本文介绍了一个名为 GREC 的关系抽取和分类的生成模型，采用序列生成任务对关系进行建模，并探索了各种编码表示方法，提出了负采样和解码缩放技术，可实现一次性从句子中提取所有关系三元组，从而在三个基准关系抽取数据集上取得了最新的表现，虽然一次性处理比传统方法在效率上损失了一部分性能，但它更具计算效率。

    Feb, 2022