May, 2023

现实世界中基于半监督的开放式通用关系发现

PDF
TL;DR这篇论文提出了一种名为 KNoRD 的方法，该方法在未标记数据中识别明确和隐含的关系，并有效地分类已知和新的关系类别，是 Open-world Relation Extraction 领域的最新研究成果。
open-world relation extractionknordlong-tail relation typesnovel classesunlabeled data
发现论文，激发创造
  • 活跃关系发现：面向通用和标签感知的开放关系抽取

    提出了 Active Relation Discovery (ARD) 框架，利用关系离群点检测识别社区中已知和新颖的关系，并介绍了有关人类可读和有意义的类型的活动学习，以便为新颖关系进行标记。此框架在传统和新提出的 OpenRE 设置下在三个真实世界的数据集上进行了广泛的实验，结果表明其性能显著优于以前的最先进方法。

    Nov, 2022

  • 一种面向关系的开放式关系抽取聚类方法

    本文提出一种关注于关系的聚类方法，使用已标注的关系数据训练模型，使聚类结果更符合关系的语义类别，旨在提高开放关系提取的准确性和效率。

    Sep, 2021

  • 主动监督聚类用于开放式关系抽取

    本文提出一种名为主动监督聚类的新颖设置，该设置可以交替执行聚类学习和关系标签，为聚类提供必要的指导，而不需要显着增加人力劳动。

    Jun, 2023

  • MORE: 基于度量学习的开放领域关系抽取框架

    MORE 利用深度度量学习从标注数据中获取丰富的监督信号，并直接驱动神经模型学习语义关系表示，提高开放域关系抽取 OpenRE 的效率和性能。

    Jun, 2022

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020

  • 最近邻关系抽取：拯救隐式和长尾情况

    介绍一种使用 $k$ 最近邻进行增强的关系提取方法 $k$NN-RE，可以在测试时间通过最近邻搜索查阅训练关系，并提供了一种简单却有效的方法来解决由于语言复杂性和数据稀疏性引起的隐式表达和长尾关系类型的两个问题，并且观察到 $k$NN-RE 是利用远程监督（DS）数据进行 RE 的有效方法。在 ACE05、SciERC 和 Wiki80 等多种受控制的 RE 数据集上，提出的 $k$NN-RE 取得了最高水平的性能，并在允许使用 DS 的情况下在 i2b2 和 Wiki80 数据集上优于迄今为止最好的模型。

    Oct, 2022

  • REKnow：用于联合实体和关系提取的增强型知识

    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

  • 知晓假阴性：一种远程监督关系抽取的对抗训练方法

    本文提出一种两阶段的远程监督关系抽取方法，利用深度神经网络的记忆机制和对抗训练解决当前知识库不完整所带来的假阴性问题，并在两个流行基准数据集上验证了方法的有效性。

    Sep, 2021

  • 无监督关系抽取再审视

    通过使用命名实体来诱导关系类型，我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术，并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。

    Apr, 2020

  • 无监督开放式关系抽取

    在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

    Jan, 2018