Aug, 2023

基于图递归神经网络和动态反馈森林算法的关系三元组提取

PDF
TL;DR从文本中提取关系三元组（主语、谓语、宾语）可以将非结构化文本数据转换为结构化知识。本文提出了一种将三元组提取任务转换为图标签问题的新方法，利用依存解析和图递归神经网络（GRNNs）的结构信息。为了集成子任务，本文提出了一种动态反馈森林算法，通过推理操作在模型训练过程中连接子任务的表示。实验结果证明了该方法的有效性。
发现论文，激发创造
  • 利用依存森林进行神经医学关系提取

    本研究探讨利用依存森林来缓解医疗领域最优解析树准确率相对较低的问题，并使用图神经网络来自动识别有用的语法信息。该方法在两个生物医学基准测试中表现优异，达到了文献中最先进的结果。

    Nov, 2019

  • 关系抽取和分类的生成模型

    本文介绍了一个名为 GREC 的关系抽取和分类的生成模型，采用序列生成任务对关系进行建模，并探索了各种编码表示方法，提出了负采样和解码缩放技术，可实现一次性从句子中提取所有关系三元组，从而在三个基准关系抽取数据集上取得了最新的表现，虽然一次性处理比传统方法在效率上损失了一部分性能，但它更具计算效率。

    Feb, 2022

  • 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

  • 使用生成参数的图神经网络进行关系提取

    本文提出了一种基于自然语言句子来生成图神经网络参数的方法（GP-GNNs），使 GNN 能够处理非结构化文本输入的关系推理，验证了在文本关系抽取中的有效性，并展示了我们的模型通过多跳关系推理可以发现更准确的关系。

    Feb, 2019

  • 深度学习在关系抽取中的综合调查：最新进展与新前沿

    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。

    Jun, 2023

  • 动态图生成网络：从图示中生成关系知识

    本研究提出了一种新算法，通过结合目标检测和递归神经网络，基于动态内存和图论构建动态图生成网络来分析包含视觉和文本信息的抽象图表，并取得了比其他基准线更好的结果。

    Nov, 2017

  • 优化大型语言模型的召回率：基于模型协作的关系三元组抽取方法

    本论文设计了一种评估过滤框架，将大型语言模型与小型模型整合在一起，用于处理关系三元组提取任务，以获得更准确的提取结果。评估模型能够高精度提取相关实体对，并通过简单的标注原则和深度神经网络对模型进行嵌入，将输出作为提示加入到大型模型的提取过程中。通过大量实验证明，该方法可以帮助大型语言模型从含有多个关系三元组的复杂句子中获得更准确的提取结果，同时也能够嵌入传统提取模型以提高其从复杂句子中的提取准确率。

    Apr, 2024

  • 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

  • ETH-DS3Lab 于 SemEval-2018 任务 7 中的表现：有效地结合循环和卷积神经网络进行关系分类和提取

    本文提出了基于卷积神经网络和循环神经网络集成的关系分类和抽取系统，在 SemEval 2018 任务 7 的 4 个子任务中中有 3 个排名第一。我们提供了设计选择背后最相关特征的详细解释和论据，并分析了它们的重要性。

    Apr, 2018

  • 基于邻接表的关系事实提取：自适应多任务学习

    本文提出了一种基于图论分析的有效模型 DIRECT，采用了新颖的自适应多任务学习策略以及动态子任务损失平衡，实验证明此模型在关系三元组提取方面优于多种先进模型。

    Jun, 2021