我们提出了一种关系图方法,用于明确利用关系之间的相互依赖性,在文档级别关系抽取中考虑关系的相互关联,并通过关系图模型化关系之间的相关性,以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能,在文档级别关系抽取中考虑关系的相互关联的有效性。
Oct, 2023
本文针对文本提取中长尾分布问题,提出 Easy Relation Augmentation (ERA) 方法和基于此的对比学习框架 ERACL,以改善面向真实场景的文档级关系提取性能,取得了优越的表现。
May, 2022
本文提供了对最近在文档级关系提取领域的发展的全面概述,并强调了它与句子级关系提取的不同应用。
Sep, 2023
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
本文针对文档级关系抽取问题,设计一种具有高区分性和鲁棒性的方法,包括有效的损失函数,熵最小化和有监督对比学习,新颖的负标签采样策略,并在新的数据情境下进行评估。实验结果表明,该方法在 DocRED 数据集,Re-DocRED 和提出的数据情境下取得了最新的最优结果。
Apr, 2023
本文提出了一个半监督框架,包含三个新组件,针对文档级关系抽取任务进行优化,通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题,以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型,并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。
Mar, 2022
本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型,与现有方法比较,在 CodRED 数据集上取得至少 10% 的 F1 值的提升,从而展示其在跨文档关系提取中的有效性。
Oct, 2022
通过集成大型语言模型和自然语言推理模块,我们提出一种自动标注方法来生成关系三元组,从而增强文档级关系数据集,我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性,该方法在重新注释众多长尾关系类型方面表现出色,并且在推进广义语言语义理解方面提供了实际好处。
Nov, 2023
本文提出了一种新的模型对文档级别关系抽取进行建模,该模型能够对全局和局部的实体表示以及上下文关系表示进行编码并提供更好的实验结果。
Sep, 2020
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