HIORE: 利用高阶交互进行统一实体关系抽取
提出了一种名为 HiURE 的对比学习框架,它能够利用交叉层次注意力从关系特征空间中得出层次信号,并在基于实例的对比学习下有效地优化句子的关系表示,从而在无监督关系提取中表现出先进的效果和鲁棒性。
May, 2022
我们提出了一种基于超图神经网络的 PL-marker 模型的 Entity and Relation Extraction (ERE) 方法,采用高召回修剪机制来减轻错误传播,并在建立的超图上运行超图神经网络进行高阶推理,实验结果显示在 ERE 任务上相较于之前最先进的 PL-marker 模型有明显的提升。
Oct, 2023
本研究提出了一种基于序列标注与双重感知机制(Local-aware Attention 和 Global-aware Convolution)的混合神经网络模型(HNN4ORT),以克服 Open relation extraction 任务中训练数据不足与特定神经结构建模的问题,并通过多种测试表明其显著的性能优势。
Jul, 2019
本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法,不需要手工规则,能够完整考虑同一个上下文中的多个关系,并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证,证明该方法优于现有方法 1.12%到 2.55%不等。
Jun, 2020
本文提出了一种基于对比学习的层次化关系抽取框架(HiCLRE),该框架结合全局结构信息和局部微粒度交互以减少噪声句子,并在不同的 DSRE 数据集中均显著优于强基准模型,其中包括了远程监督、关系抽取、多粒度重上下文化和对抗扰动等关键词。
Feb, 2022
本文提出一种新的范例来处理关系提取问题,将相关实体作为一个关系的参数,并应用分层强化学习框架来增强实体提取和关系类型之间的交互。通过将整个提取过程分解成关系侦测和实体提取的两级 RL 策略层次结构,以处理重叠重复的关系,并在公共数据集上进行了评估,结果表明,它比现有的方法具有更好的性能,并可以更强大地提取重叠关系。
Nov, 2018
本文提出了一种基于级联架构的人体 - 目标交互理解方法,包括实例定位和交互识别两个阶段,并引入了关系排名和三元流分类器等组件,在边缘像素级别完成交互关系细分,实现了极佳的关系建模表现。
Mar, 2020
本文提出了一种多路关系网络 (MUREN) 方法,通过人、物、交互标记的一元、二元、三元关系,在三个解码器分支之间进行丰富的上下文交换,学习全面的关系上下文,从而实现了在 HOI 检测的两个标准基准测试中实现了最先进的性能。
Apr, 2023
本文分析了 higher-order inference(HOI)对共指消解任务的影响,发现在已有高性能编码器的情况下,HOI 对该任务的影响为负向至一定程度,提供了一个新的任务视角。使用集群合并的最佳模型在 CoNLL 2012 英语共享任务数据集上显示出 80.2 的平均 F1。
Sep, 2020
本文介绍了 UniRel,一种在两种常见的关系三元组提取数据集上表现更出色和计算效率更高的方法,该方法主要使用 Interaction Map 和 Transformer Block 在自然语言序列中联合编码实体和关系的表示。
Nov, 2022