Apr, 2023

基于 Span 和实体注意力机制的实体和重叠关系抽取技术

PDF
TL;DR通过使用标准跨度机制和标记跨度机制、构建实体注意力机制，本研究提出了一种完全解决三元组重叠问题的信息抽取方法，并在两个公共数据集上进行了测试。该方法在这两个数据集上达到最佳性能。
information extractionentitiesrelationstriplet overlappingentity attention mechanism
发现论文，激发创造
  • 基于语义增强机制的关系抽取模型

    通过结合语义增强机制，本论文提出的 CasAug 模型能够解决关系抽取中的三元组重叠问题，提高关系抽取效果，并能更好地处理重叠问题和提取多个关系。

    Nov, 2023

  • 联合实体和关系抽取的有效级联双解码器模型

    本文提出了一种有效的两级解码器方法来从文本中提取重叠的关系三元组，该方法通过具有可训练嵌入的关系相关实体解码器和特定于文本语义的关系解码器来解决重叠三元组问题，并在两个公共数据集上取得了优异的性能。

    Jun, 2021

  • 跨範疇聯合實體關係提取多任務學習中處理負樣本

    该研究论文介绍了一种基于跨度的多任务实体 - 关系联合提取模型，通过多任务学习和位置信息的引入，有效地减轻了负样本对模型性能的负面影响，同时在广泛应用的公共数据集 CoNLL04、SciERC 和 ADE 上取得了令人称赞的 F1 得分。

    Sep, 2023

  • 同时自我关注所有提及以进行全文摘要生物关系提取

    提出一种使用自我注意力编码器模型同时预测文档中所有提及对之间关系的关系抽取方法，通过聚合提及对以形成实体对表示进行多实例学习，并增加弱标签数据来适应无提及级别注释的设置，实验证明该方法在生物文本信息抽取任务中达到了最先进性能。

    Feb, 2018

  • 基于动态跨度图的信息抽取通用框架

    介绍了一个通用的框架，用于多个信息提取任务，共享动态构建的跨度图表示，该图由选择最可靠的实体跨度所构成，并使用置信度加权关系类型和共参考建立节点，从而实现共参考和关系类型置信度通过图传播迭代地细化跨度表示，与以前的多任务信息提取框架不同，我们的框架显著优于多个数据集上的多个信息提取任务的最新水平，涵盖了不同的领域。另外，我们观察到跨度枚举方法在检测嵌套跨距实体方面表现出色，在 ACE 数据集上 F1 分数显著提高。

    Apr, 2019

  • 一种基于 Span 的模型用于联合识别重叠和不连续实体

    提出了一种新的基于 span 的模型，旨在准确地识别重叠和不连续的命名实体，并通过关系分类判断实体片段之间的关系。实验结果表明，这种模型在处理重叠和不连续的命名实体时具有很高的竞争力。

    Jun, 2021

  • 基于 Transformer 预训练的跨度联合实体和关系抽取

    本文介绍了一种轻量级的基于注意力机制的模型 SpERT，通过对 BERT 嵌入进行实体识别和过滤，以及基于标记的上下文表示进行关系分类，结合单 BERT 传递的高效负样例抽取方法，在多个数据集上取得了高于先前工作最高达 2.6% F1-score 的性能表现。

    Sep, 2019

  • 使用上下文化的跨度表示进行实体、关系和事件提取

    我们提出了一个名为 DyGIE ++ 的统一、多任务框架，并通过枚举、精炼和评分文本跨句的局部和全局环境以完成命名实体识别、关系提取和事件提取等三项信息提取任务，利用动态跨句子关系模拟实现了跨句子实体关系抽取，该框架在多个领域的四个数据集上均取得了最好的结果。

    Sep, 2019

  • 一种新型级联二进制标记框架用于关系三元组抽取

    提出了一个新的级联二进制标记框架（CasRel）来解决关系三元组抽取任务中的重叠问题，并且在两个公共数据集 NYT 和 WebNLG 上相对于最强基线在 F1 分数上具有 17.5 和 30.2 绝对增益。

    Sep, 2019

  • 基于新的分解策略的实体和关系联合抽取

    本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三个公共数据集上优于先前的工作，达到了 21.5% 的新最优 F1 分数。

    Sep, 2019