Nov, 2022

PCRED: 无需候选关系选择和实体边界检测的零样本关系三元组抽取

PDF
TL;DR本研究介绍了一种名为 PCRED 的零样本关系三元组抽取方法，采用候选关系选择和实体边界检测的方法，不依赖于额外的数据且表现优异，最终实验结果表明 PCRED 方法始终优于以往研究。
zero-shot relation triplet extractionstate-of-the-art methodpcredpotential candidate relation selectionentity boundary detection
发现论文，激发创造
  • RelationPrompt: 利用提示生成合成数据以进行零样本关系三元组抽取

    本文介绍了 Zero-RTE 任务及其解决方案 —— 使用结构化的提示模板来生成合成关系样本，并使用三元组搜寻解码方法来克服在句子中提取多个关系三元组的限制。实验表明，RelationPrompt 对于 Zero-RTE 任务和零样本关系分类非常有效。

    Mar, 2022

  • 基于生成元学习的零样本关系三元组抽取

    本研究提出了一种新颖的生成元学习框架，旨在提高生成模型的泛化能力，该框架在零样本关系三元组提取任务中达到了新的最先进性能。

    May, 2023

  • 基于一致性引导的零样本文档级关系三元组提取中的知识检索和去噪

    本文提出了一种零样本文档级关系三元组提取（ZeroDocRTE）框架，通过从大型语言模型（LLMs）中检索和去噪知识生成标记数据，用于提取具有语义关系的实体，实现了零样本文档级关系和三元组的提取任务。

    Jan, 2024

  • 通过相关的可解释触发器和关系名称实现零样本对话关系提取

    本文提出了一种利用触发器捕获能力实现零样本对话关系提取的模型，该模型在使用 DialogRE 数据集进行的实验中取得了显著的改进，为对话关系提取系统的可扩展性和实用性提供了新的方法。

    Jun, 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

  • 有效的零样本和小样本关系抽取的标签表达和蕴涵

    通过转换为推论任务并且使用预训练的文本推论引擎，我们能够减少标注大量实例所需的成本，实验结果表明，我们的方法在少量示例情况下可达到更好的性能。

    Sep, 2021

  • ZS-BERT: 面向属性表示学习的零样本关系抽取

    本文提出了一种基于 BERT 的多任务学习模型（ZS-BERT），通过零样本关系抽取解决新出现关系的抽取问题，实验结果表明该方法相比于现有的方法在 F1 分数上至少提高了 13.54%。

    Apr, 2021

  • 弱监督下的零样本关系抽取问题

    本文提出一种零 - shot 关系抽取的方法，通过将实体的描述翻译成问题，并使用生成的问题来生成正确的实体，在不需要使用黄金问题模板的情况下超过了以前的最先进技术。

    Jan, 2023

  • 句子级关系抽取的改进基准线

    该文介绍了基于句子的关系抽取问题，着重探讨了影响现有关系抽取模型性能的实体表示和噪声标签问题，并利用预训练语言模型提出了改进的基线模型，在 TACRED 数据集上取得了 F1 分数 74.6%，在 Re-TACRED 数据集上取得了 F1 分数 91.1%，证明预训练语言模型在该任务上具有高性能。

    Feb, 2021

  • 比特币：基于双向标记和监督对比学习的联合关系三元抽取框架

    BitCoin 是一种创新的双向标记和监督对比学习的联合关系三元组提取框架，通过考虑主体和客体之间的多个正例，引入惩罚项来防止过度相似度，并实现了从主体到客体和从客体到主体的三元组提取。实验结果表明，BitCoin 在基准数据集上取得了最先进的结果，并显著提高了正常、SEO、EPO 和多关系提取任务的 F1 得分。

    Sep, 2023