Apr, 2023

通过描述性关系提示和对比学习进行句子级别关系提取

PDF
TL;DR本文提出了一种新的范式 —— 具有描述性关系提示和对比学习的对抗性学习 (CTL-DRP)，用于共同考虑实体信息、关系知识和实体类型限制，通过提出的方法，在 TACRED 上获得了 76.7% 的竞争性 F1 - 分数，在 TACREV 和 Re-TACRED 都达到了 85.8% 和 91.6% 的最高水平表现。
relation extractionentity representationrelational knowledgeentity typecontrastive learning
发现论文，激发创造
  • 通过对比表示学习实现少样本关系分类的高效信息提取

    利用多个句子表示和对比学习的方法，从少样本关系分类中提取丰富的信息以区分实体对的关系。

    Mar, 2024

  • 基于提示性数据编程的弱监督文档级关系抽取

    通过结合基于提示的技术和数据编程，PromptRE 是一种新型的弱监督文档级关系提取方法，利用标签分布和实体类型作为先验知识来改善性能，在关系分类和处理 “无关系” 问题方面表现出了更好的性能，实验证明 PromptRE 在 ReDocRED 数据集上优于基线方法。

    Oct, 2023

  • 使用提示引导具有关系语义的模型进行对话关系抽取

    本文提出了一个利用 prompt-based fine-tuning 的 Guiding model with RelAtional Semantics (GRASP) 方法，在不添加额外层次的情况下，通过一种关注 argument 的 prompt 标记策略和关系线索检测任务，从语料库中提取出相关语义线索，并在 DialogRE 数据集上实现了 F1 和 F1c 得分的最先进性能。

    Aug, 2022

  • 任务引导提示学习在隐式话语关系识别中的应用

    该研究提出了一种称为 TEPrompt 的任务启示式预测学习模型，通过融合三个相关任务的学习特征来识别不明确文本间关系，实验结果表明，TEPrompt 在 IDRR 中表现优于 ConnPrompt，并且能够通过辅助任务的联合训练来提高决策特征和语言模型。

    May, 2023

  • 装饰范例：一种简单的生物医学关系抽取提示设计方法

    本文探讨在生物医学领域中的关系抽取问题，研究使用集成学习的方式能否提高在 ChemProt 数据集上的预测结果，结果展示了基于掩码的抽取方法有潜力在该特定领域关系抽取任务中取得优异的性能。

    Apr, 2022

  • 基于深度学习模型的上下文关系抽取的比较分析

    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

  • RelationPrompt: 利用提示生成合成数据以进行零样本关系三元组抽取

    本文介绍了 Zero-RTE 任务及其解决方案 —— 使用结构化的提示模板来生成合成关系样本，并使用三元组搜寻解码方法来克服在句子中提取多个关系三元组的限制。实验表明，RelationPrompt 对于 Zero-RTE 任务和零样本关系分类非常有效。

    Mar, 2022

  • 学习双重检索模块用于半监督关系抽取

    本文提出 DualRE，使用弱监督技术结合自我训练机制和多视图学习方法，在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明，该方法有效地提高了模型的性能表现。

    Feb, 2019

  • 基于聚类抽样的关系依赖对比学习在归纳关系预测中的应用

    本研究提出一种基于关系依赖的对比学习方法（ReCoLe），用于关系推断和知识图谱补全，该方法通过聚类算法的新型采样方法适应对比学习，理论上提高了对未知关系和实体的适应能力，实验表明 ReCoLe 在常用的归纳数据集上性能优于现有方法。

    Nov, 2022

  • 有效基于提示的关系分类学习

    本文提出了一种新的基于提示的学习方法 LabelPrompt，用于关系分类任务，通过定义附加令牌来表示关系标签，并构建提示模板方法，以及设计一个实体感知模块和注意查询策略来解决模型中的一些挑战，极大地提高了在缺乏标注数据情况下利用提示学习的适应能力，特别是在少样本场景中的表现超过了其他几种方法。

    Feb, 2023