GCRE-GPT: 一种用于比较关系提取的生成模型
使用深度学习技术来从多个句子的语境中识别适当的语义关系,以解决现有机器学习模型难以从复杂句子中提取关系的问题。本文探讨了用于关系提取的各种深度学习模型的分析。
Sep, 2023
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
我们提出了一种基于比较逻辑的文本生成方法,通过对比学习来生成具有特定比较逻辑关系的文本,以正确地生成关系。我们构建了一个高质量的人工注释数据集,该数据集具有多个实体的描述和与它们的比较逻辑关系的注释,并进行了广泛的实验,结果在自动评估和人工评估中都取得了令人印象深刻的性能。
Jun, 2024
本研究介绍了 GPT-RE,这是一种解决大型语言模型在关系提取中局限性的方法,包括任务特定实体表现的使用和黄金标签引导推理逻辑的使用。该方法在四个数据集上的实验结果表明其超过了 GPT-3 基线并且在 Semeval 和 SciERC 数据集上实现了 SOTA 表现。
May, 2023
本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取(RE)的问题,通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理,通过人工评估的方式,在不同程度的监督下评估了它们在标准 RE 任务中的表现,发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当,而使用 Chain-of-Thought 风格的解释进一步监督和微调后,该模型产生了最优结果。
May, 2023
本文提出了一种基于 PRGC 的联合关系三元组抽取框架,在公共基准测试中实现了最新技术的表现并在重叠三元组的复杂场景中提供一致的性能提升。
Jun, 2021
稀缺的标记数据对于关系抽取模型的发展和各种生物医学领域数据库的完成构成了障碍。本研究针对自然产物文献,探索了关系抽取模型在药物发现中的应用,并通过开放大型语言模型进行了几种方案的评估,显示精细调整合成摘要数据比原始噪声数据获得了显著改善。
Nov, 2023
本研究提出了一种知识增强的生成模型,能够前所未有地利用知识图谱来解决关系抽取问题中的歧义,显著提高了在多个基准测试和设置下的性能表现。
Jun, 2022
本文使用了 ICL 框架下的 OpenAI 模型,采用两种检索策略在 REFinD 数据集中取得了较好的结果,获得了第 4 名的成绩,最佳 F1 分数为 0.718。
Jun, 2023
本文提出了一个创新的关系抽取任务的体系结构,其将语义信息与知识库建模相结合。该模型通过将句子编码为上下文关联嵌入来进行关系抽取,并结合参数化实体嵌入来评分关系实例。该 CRE 模型在来自纽约时报注释语料库和 FreeBase 的数据集上实现了最新的表现。
Nov, 2020