Mar, 2023

基于跨句推理图的文档级关系抽取

PDF
TL;DR本文提出了一种新颖的文档级关系抽取模型 GRACR，其中构建了一个简化的语义图来建模文档中的所有实体和句子信息，以及一个实体级图来探索长距离跨句子实体对的关系。经实验证明，在文档级别关系抽取任务上，该方法取得了优秀的性能，并且在提取跨句子实体对的潜在关系方面尤其有效。
relation extractiondocument-levelentity-levelgraph information aggregationcross-sentence reasoning
发现论文，激发创造
  • 基于双图推理的文档级关系抽取

    本文提出了一种名为 GAIN 的双重图聚合和推理网络，利用异构提及级别图来建模文档中不同提及之间的复杂互动，另外构造一个实体级别图，并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明，GAIN 相对于之前的最先进技术获得了显著的性能提高（F1 值提高了 2.85 个点）且代码已经公开。

    Sep, 2020

  • 基于判别式推理的文档级关系抽取

    本文提出了一种新颖的判别推理框架来显式地建模文档中每对实体对之间的推理路径，并利用构建的图形和每个实体对的矢量化文档上下文来估计不同的推理路径的关系概率分布，从而识别它们的关系，实验证明我们的方法在大规模 DocRE 数据集上优于之前的最优表现。

    Jun, 2021

  • 文档级关系提取的密集连接十字交叉注意力网络

    本文提出了一种名为 “密集连接十字织 Attention 网络” 的模型，它能够在实体对级别上完成逻辑推理，用于文档级别关系抽取，并达到当前领先的性能水平。

    Mar, 2022

  • 文档级关系抽取的粗到细实体表示

    本研究提出 Coarse-to-Fine Entity Representation model (CFER), 采用粗细分阶段策略，旨在同时关注全局信息与目标实体对之间的路径信息，用于获取更全面的实体表示，并应用于文档级关系提取任务中取得较优结果。

    Dec, 2020

  • 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

  • 以实体为中心的跨文档关系抽取

    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

  • 面向文档级关系抽取的全局 - 局部神经网络

    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

  • NC-DRE: 利用非实体线索信息进行文档级关系抽取

    通过引入 NC-DRE 图表模型的编码器 - 解码器框架，将非实体线索信息与图神经网络 (GNN) 进行解码器到编码器注意机制的协同作用，从而提高复杂跨句子关系的关系抽取效果。

    Apr, 2022

  • 文档级关系抽取与重构

    该研究提出了使用 encoder-classifier-reconstructor 模型来解决 DocRE（document-level relation extraction）中因图形结构普遍建模不含关系的实体对而导致性能较差的问题，并在大规模 DocRE 数据集上得到了显著的性能提升。

    Dec, 2020

  • 基于潜在结构微调的文档级关系抽取推理

    本研究提出了一种利用自动带引的潜在文档级图进行跨句子的关系推理的方法，并通过增量聚合相关信息来提高多跳推理的准确性，取得了在 DocRED，CDR 和 GDA 数据集上的最新最优性能。

    May, 2020