Jun, 2023

利用知识图谱嵌入增强关系抽取的上下文表示

PDF
TL;DR本论文使用预训练的知识图谱嵌入模型，结合文本语料库的句子级上下文表示，实现了较高性能的关系抽取模型，并通过实验验证了该方法的有效性和出色性能。
relation extractionnatural language processingknowledge graph embeddingscontextual representationperformance
发现论文，激发创造
  • 利用上下文相关关系嵌入进行关系提取 (CRE)

    本文提出了一个创新的关系抽取任务的体系结构，其将语义信息与知识库建模相结合。该模型通过将句子编码为上下文关联嵌入来进行关系抽取，并结合参数化实体嵌入来评分关系实例。该 CRE 模型在来自纽约时报注释语料库和 FreeBase 的数据集上实现了最新的表现。

    Nov, 2020

  • 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

  • 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

  • 用嵌入模型连接语言和知识库进行关系提取

    本文提出一种新方法用于从自由文本中提取关系，该方法通过从知识库中学习单词和实体关系的低维嵌入来联合使用文本和现有知识信息，实验证明该方法能够有效地利用大量 Freebase 数据 (4M 实体、23k 关系) 提供的额外信息来改善仅依赖于文本特征的现有方法。

    Jul, 2013

  • 从词嵌入解释知识图谱关系表达

    研究利用词嵌入的理论，将知识图谱关系分为三种类型，并为每种类型导出其表示法的明确要求，以了解知识图谱数据的潜在结构如何被不同表达方法所捕捉。

    Sep, 2019

  • SPOT: 知识增强语言表示，用于信息提取

    我们提出了一种新的预训练模型，利用基于维基百科的知识图谱实现了在实体和关系上的双重表示，以及利用跨度模块进行有效编码，相较于现有模型使用更少的参数。实验结果表明，相比 RoBERTa 模型，我们模型在信息抽取任务上表现更好，尤其在监督学习任务中达到了很高的竞争水平。

    Aug, 2022

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 基于上下文增强的实体关系嵌入方法用于知识图谱补全

    提出了一种名为 AggrE 的模型，该模型通过对实体和关系的上下文进行多跳的高效聚合，学习增强上下文的实体和关系嵌入，以完成知识图的补全。实验结果表明，AggrE 模型竞争力强。

    Dec, 2020

  • SEE: 基于语法感知的实体嵌入用于神经关系抽取

    本文提出了一种基于语法树和句子嵌入的远程监督关系抽取方法，使用句子和实体的嵌入对关系进行分类，实验结果表明这种方法在真实数据集上取得了最佳的性能。

    Jan, 2018

  • 全局关系嵌入用于关系提取

    通过收集全文的文字和知识库关系的共现统计数据，利用文本关系嵌入来处理远程监督下错误标记的问题，从而增强了现有的关系提取模型，在常用关系提取数据集上，将精度从 83.9％提高到 89.3％。

    Apr, 2017