May, 2023

基于自然语言文本的过程模型生成之外：超越基于规则的命名实体识别与关系抽取

PDF
TL;DR通过提出一种新的基线技术和构建基于机器学习的过程提取技术，将实体解析组件与实体和关系提取组件进行深度融合，以适应不同数据集和领域，从而避免了适应其他数据集、不同实体和关系类型或新领域所需的特征工程和规则定义所产生的巨大开销。
automated generationbusiness process modelstextual process descriptionsentity resolutionmachine learning
发现论文，激发创造
  • PET：自然语言文本中的过程提取注释数据集

    研究通过 PET 数据集为商业流程描述提供了一个已注释的语料库，可以帮助比较流程提取方法的结果。

    Mar, 2022

  • 从对话到图表：基于自然语言的任务和关系提取用于加速业务流程原型设计

    将冗长的自然语言描述自动转化为结构化流程模型仍然是一个复杂的挑战 - 本文引入了一个现代解决方案，其中我们的方法的核心是使用依赖解析和命名实体识别（NER）从文本描述中提取关键元素。此外，我们利用主 - 动 - 宾（SVO）结构来识别动作关系，并集成了包括 WordNet 在内的语义分析工具以增加上下文理解。我们系统的一个新颖方面是将神经共指解决方案与 SpaCy 框架结合，提高了实体链接和代词引用的准确性。此外，该系统能够灵活处理数据转换和可视化，将提取的信息转化为 BPMN（业务流程模型和符号）图表。这种方法不仅简化了捕获和表示业务工作流程的过程，还显著减少了传统建模方法中的手动努力和潜在错误的可能性。

    Dec, 2023

  • 使用预训练语言模型的端到端命名实体识别和关系抽取

    本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系，该模型不依赖于外部自然语言处理工具，而是集成了大量的预训练语言模型， 在三个领域的五个数据集上，我们的模型可以与最先进的性能相提并论，有时甚至具有更高的性能。

    Dec, 2019

  • 从生物医学文本中无需提及级别监督即可同时连接实体并提取关系

    提出一种无需实体级别监督的实体链接和关系抽取模型，避免了流水线方法中产生的级联错误，并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线，极大地提高了系统的总体召回率。

    Dec, 2019

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • 实体和关系抽取中的情境化和泛化

    本文主要研究了最新的自然语言处理技术中，神经网络和语言模型在命名实体识别和关系抽取方面的应用以及它们在训练过程中面临的一些挑战。我们发现，预训练的语言模型对发现未曾见过的命名实体表现良好，但对于未曾见过的关系则有待加强，因此模型的理解能力仍存在提升空间。

    Jun, 2022

  • 实体标识符：一种基于自然文本解析的实体关系抽取框架

    本文提出了一种使用自然语言处理技术来从需求描述中提取结构化信息，使得可以自动完成 CRUD 类代码的生成的方法，并介绍了相应的实体识别、关系提取和实体树模型技术，以及评估这种方法效果的数据集。

    Jul, 2023

  • 从自然语言生成实体关系模型的数据转换

    为了减少设计实体 - 关系模型的手动成本，提出了基于规则和基于深度学习的自然语言到实体 - 关系模型的自动生成方法，并通过文本到 SQL 的数据转换算法产生了大规模的数据集，用于训练信息抽取模型，并在实验中证明其优于现有基准模型。

    Dec, 2023

  • 利用数据增强技术进行过程信息提取

    研究了数据增强在自然语言文本中的应用，发现它对于从自然语言文本中生成业务流程模型的机器学习方法至关重要，并且可以提高提取准确性。

    Apr, 2024

  • GUIDO: 从自然语言文本中发现和排序指南的混合方法

    通过使用 BERT-based 句子分类器和依存句法分析，本文提出了一种名为 GUIDO 的混合方法来提取处理模型，取得了较纯粹基于规则的方法显著更好的结果，平均行为相似度得分为 0.93，并且相比于纯机器学习方法，标注成本低。

    Jul, 2023