May, 2023

面向视觉化文档的全局结构知识引导关系抽取方法

PDF
TL;DR该论文提出了一种 GOSE 框架来进行视觉关系抽取，该框架通过迭代方式捕捉实体对之间的依赖关系以及全局结构知识，并将其融合到实体表示中，实现了实体表示和全局结构知识的相互增强，该方法在标准微调设置下，以及跨语言学习和低资源设置下均表现出有希望的优越性。
visual relation extractionglobal structure informationknowledge-guidedentity representationscross-lingual learning
发现论文，激发创造
  • 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

  • 面向文档级关系抽取的全局 - 局部神经网络

    本文提出了一种新的模型对文档级别关系抽取进行建模，该模型能够对全局和局部的实体表示以及上下文关系表示进行编码并提供更好的实验结果。

    Sep, 2020

  • 基于 LayoutLMv3 的增强关系抽取模型在视觉丰富文档中的应用

    通过对 FUNSD 和 CORD 数据集上进行的广泛剖析研究及对 LayoutLMv3 的初始化，我们提出了一个模型，用于在视觉丰富的文档中进行关系抽取，其结果超过了当前行业的最佳效果，且没有特定的预训练任务和较少的参数。

    Apr, 2024

  • 基于语义分割的文档级关系抽取

    本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

    Jun, 2021

  • RE$^2$: 基於視覺豐富文件的區域感知關係抽取

    本文提出了一种基于区域感知的关系抽取方法 (RE$^2$)，它利用边缘感知的图注意力网络学习实体之间的交互，并考虑实体之间由其区域级表示定义的空间关系，同时引入约束目标以使模型符合关系抽取任务的内在约束。实验结果表明，我们的方法在各种数据集、语言和领域中具有优越性。

    May, 2023

  • 在信息丰富的文档中以依赖解析的方式提取实体关系

    本文使用 biaffine 解析模型，通过布局信息提取视觉信息中的实体关系，成功运用于生产环境。

    Oct, 2021

  • 实体知识注入增强文档级关系抽取

    本文提出了一种实体知识注入框架，以加强当前的文档级关系提取模型，并通过两个基准数据集的实验证实了我们扩展核链和融合知识图和文档表示的能力提高了文档级关系提取模型的一致性

    Jul, 2022

  • 文档级关系抽取：基于上下文引导的实体融合和实体之间关系推理

    本文提出了基于上下文的提及整合和实体间推理两种技术，以改善文档级关系抽取。在三个基准数据集上的实验结果表明，我们的模型胜过了先前的最先进模型。

    Jan, 2022

  • 以实体为中心的跨文档关系抽取

    本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型，与现有方法比较，在 CodRED 数据集上取得至少 10％ 的 F1 值的提升，从而展示其在跨文档关系提取中的有效性。

    Oct, 2022

  • 良好的视觉指导使提取器变得更好：用于多模态实体和关系提取的分层视觉前缀

    本文研究了基于多模态数据的命名实体识别和关系提取，提出了一种新的基于视觉增强的实体和关系提取方法，即分层视觉前缀融合网络（HVPNeT），通过使用动态门控聚合策略，利用多层次视觉特征进行视觉前缀的融合，从而实现更有效和稳健的性能，实验证明了此方法的有效性和领先性。

    May, 2022