Jun, 2023

深度学习在关系抽取中的综合调查：最新进展与新前沿

PDF
TL;DR本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。
relation extractiondeep neural networkspre-trained language modelstaxonomychallenges
发现论文，激发创造
  • 基于深度神经网络的关系抽取综述

    该研究论文介绍了知识在自然语言处理中的重要性，并综述了基于深度神经网络的关系抽取技术，包括有监督和远程监督方法。此外，还讨论了该技术的一些新方法和未来研究方向。

    Jan, 2021

  • 远程监督关系抽取综述：以去噪和预训练方法为重点

    关系抽取（RE）是自然语言处理的基础任务，本文综述了四个阶段的 RE 方法，包括模式匹配、统计、神经网络和大型语言模型，并着重介绍了现代 RE 方法的远程监控和去噪预训练方法。

    Jul, 2022

  • 文档级关系抽取综述（2016-2022）

    本文提供了对最近在文档级关系提取领域的发展的全面概述，并强调了它与句子级关系提取的不同应用。

    Sep, 2023

  • 关系抽取：综述

    本文介绍了关系抽取（RE）的若干重要的监督、半监督和无监督技术，以及开放信息抽取（OIE）和远程监督的范例，最后描述了近期 RE 技术和未来研究方向。这篇综述对于领域的新手、研究人员和实践者都有用。

    Dec, 2017

  • 关系提取的深度学习方法综述

    本文通过比较深度学习在关系抽取任务中的应用，探讨不同模型的优劣和限制，以指导未来方向。

    May, 2017

  • 大语言模型时代下关系抽取的再审视

    本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

    May, 2023

  • 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

  • 更多数据、更多关系、更多上下文和更多开放：关系抽取综述与展望

    本文回顾了现有的关系抽取方法，分析了当前面临的关键挑战，并展示了通向更强大的关系抽取的有前途的方向。

    Apr, 2020

  • 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

  • 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