Aug, 2023

GADePo：基于图的声明式汇聚转换器用于文档级关系抽取

PDF
TL;DR本文通过利用 Transformer 模型的内在图处理能力，提出了一种图辅助声明性汇聚模型 (GADePo)，取代了当前基于文本编码器并依赖手动编码的汇聚启发式方法，使得汇聚过程可以由领域特定知识或期望的结果来引导，对文本级关系抽取问题的效果具有可比性。
document-level relation extractiontext-based encodersgraph relationstransformer modelflexible pooling strategies
发现论文，激发创造
  • 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

  • 自适应阈值和局部上下文池化的文档级关系抽取

    本文提出了自适应阈值和本地化上下文池化等两种新技术，用于解决文档级关系提取中的多标签和多实体问题，该 ATLOP 模型在三个数据集上的表现都优于现有模型。

    Oct, 2020

  • GDPNet：用于关系抽取的潜在多视图图形细化

    本研究提出了一种名为 GDPNet 的模型，该模型组合了多视图图形建模和动态时间规整池化技术，以提高关系抽取的性能。在对数句和对话级别的关系抽取任务中，GDPNet 取得了比以前更好或相当的表现。

    Dec, 2020

  • 一种基于神经网络的文档级关系图提取边缘编辑方法

    本文介绍了一种新颖的边缘编辑方法，旨在从文档中提取关系信息，并将文档中的关系视为实体之间的关系图。我们利用预训练的 transformer 模型和图卷积神经网络模型对边缘进行分类，通过对初始图形的边缘进行编辑，构建关系图。我们将我们的方法应用于从材料科学文本中提取材料合成过程，并进行了实验证明。实验结果表明，我们的方法可以有效地编辑由我们内部基于规则系统和空图形引导的图形。

    Jun, 2021

  • DG-SpanBERT 高效长距离关系抽取

    该研究提出了一种新的基于 SpanBERT 和图卷积网络的关系抽取模型 (DG-SpanBERT), 具有学习从大规模语料库中获取词汇特征和捕捉实体之间长距离关系的优点，在 TACRED 数据集上的实验结果表明其性能优于现有基于依存关系和序列的模型，达到了最先进的水平。

    Apr, 2020

  • KGPool: 动态知识图谱上下文选择在关系抽取中的应用

    本文提出了一种新方法，通过将句子和两个实体映射到知识图谱中的标准事实，从单个句子中提取关系；引入了 KGPool 方法来解决数据稀疏的问题，通过神经方法学习事实的表示来补充句子的上下文，并使用图神经网络演示了该方法的有效性。

    Jun, 2021

  • 联合实体和关系抽取的有效级联双解码器模型

    本文提出了一种有效的两级解码器方法来从文本中提取重叠的关系三元组，该方法通过具有可训练嵌入的关系相关实体解码器和特定于文本语义的关系解码器来解决重叠三元组问题，并在两个公共数据集上取得了优异的性能。

    Jun, 2021

  • 基于双图推理的文档级关系抽取

    本文提出了一种名为 GAIN 的双重图聚合和推理网络，利用异构提及级别图来建模文档中不同提及之间的复杂互动，另外构造一个实体级别图，并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明，GAIN 相对于之前的最先进技术获得了显著的性能提高（F1 值提高了 2.85 个点）且代码已经公开。

    Sep, 2020

  • 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

  • 一种自回归的文本到图形框架用于联合实体和关系抽取

    我们提出了一种新的方法，将无结构文本中的实体和关系提取作为条件序列生成问题，采用基于跨度的方法生成线性化图，其中节点表示文本跨度，边表示关系三元组。通过跨度表示，我们的模型可以捕捉实体和关系的结构特征和边界，并通过指向机制将生成的输出与原始文本进行关联。基准数据集上的评估验证了我们方法的有效性，展示了竞争性的结果。

    Jan, 2024