ACLFeb, 2023

DREEAM：利用证据引导注意力以提升文档级关系抽取

PDF
TL;DR本文针对文档级别关系抽取中证据检索面临的内存消耗高和注释有限的问题，提出了 DREEAM 方法，其采用内存高效的方式指导 DocRE 系统将注意力集中于证据上并采用自学习策略从大量数据中自动生成证据，实验证明该方法在 DocRE 和 ER 方面取得了最先进的性能。
document-level relation extractionevidence retrievaldreeamself-training strategystate-of-the-art performance
发现论文，激发创造
  • Eider：基于高效证据提取和推理阶段融合的文档级关系抽取

    本文提出了一种证据增强的框架 Eider，该框架采用有效提取证据的方法并通过融合层推断有效结合提取的证据和完整文档，从而优化了基于整篇文档的关系抽取方法，实验证明 Eider 在三个基准数据集上优于现有最先进方法（例如 DocRED 上 Ign F1/F1 提高了 1.37/1.26）

    Jun, 2021

  • 文档级关系抽取综述（2016-2022）

    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

  • 照应辅助的文档级关系抽取

    我们提出了一种基于指代辅助的框架用于文档级关系抽取任务，实验结果表明我们的模型取得了最先进的性能。

    Oct, 2023

  • 基于实体和证据引导的 DocRED 关系抽取

    这篇论文提出了一种基于预训练语言模型的 E2GRE 框架，通过实体引导序列和内部注意概率作为额外特征，来帮助文献级关系抽取和证据预测，并取得了在 DocRED 数据集上最先进的结果。

    Aug, 2020

  • 自适应焦点损失和知识蒸馏的文档级关系抽取

    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

  • 具有关系相关增强的文档级关系提取

    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

  • 文档级关系抽取：基于上下文引导的实体融合和实体之间关系推理

    本文提出了基于上下文的提及整合和实体间推理两种技术，以改善文档级关系抽取。在三个基准数据集上的实验结果表明，我们的模型胜过了先前的最先进模型。

    Jan, 2022

  • 用于文档级别关系抽取的遮蔽图像重建网络

    提出了一种基于 Masked Image Reconstruction 网络的文档级关系提取模型（DRE-MIR），通过模型推理来捕捉关系之间的相关性，并在三个公共数据集上取得了最先进的性能。

    Apr, 2022

  • 通过易于关系增强和对比学习改善长尾文档级关系抽取

    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

  • 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