Oct, 2023

无监督关系抽取的孪生表示学习

PDF
TL;DR无监督关系抽取中的 Siamese 表示学习框架通过利用正样本对关系表示进行学习，有效优化实例的关系表示并保留了关系特征空间中的层次信息，取得了显著的研究成果。
unsupervised relation extractionsiamese representation learningpositive pairshierarchical informationbenchmark datasets
发现论文，激发创造
  • HiURE: 分层范例对比学习用于无监督关系抽取

    提出了一种名为 HiURE 的对比学习框架，它能够利用交叉层次注意力从关系特征空间中得出层次信号，并在基于实例的对比学习下有效地优化句子的关系表示，从而在无监督关系提取中表现出先进的效果和鲁棒性。

    May, 2022

  • 无监督关系抽取再审视

    通过使用命名实体来诱导关系类型，我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术，并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。

    Apr, 2020

  • 通过增加多样的句对改进无监督关系抽取

    通过增强连接句对的多样性和增强对比学习的差别性能，我们提出了 AugURE 方法，并针对关系表示学习中的噪声对比估计损失限制，应用边界损失进行句对学习，实验结果表明该方法取得了最先进的性能。

    Dec, 2023

  • 无监督开放式关系抽取

    在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

    Jan, 2018

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020

  • 一个统一的正 - 无标签学习框架，用于具有不同水平标记的文档级关系提取

    本文首次使用正样本 - 未标记（PU）学习在文档级别关系抽取任务上，并提出了一种统一的 PU 框架 - Shift and Squared Ranking Loss Positive-Unlabeled（SSR-PU）学习。本方法考虑了数据集标记数据可能导致未标记数据的先验偏移问题，并使用了自适应阈值和平方排名损失，实验表明我们的方法相对于之前的基线在不完全标记的情况下提高了约 14 个 F1 分数，并且在完全监督和极端未标记设置下性能优于现有的方法。

    Oct, 2022

  • 学习双重检索模块用于半监督关系抽取

    本文提出 DualRE，使用弱监督技术结合自我训练机制和多视图学习方法，在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明，该方法有效地提高了模型的性能表现。

    Feb, 2019

  • 重新审视远程监督关系抽取的负数据

    本文提出了一种名为 ReRe 的管道方法，通过句子级别的关系检测和主谓对象提取来实现样本有效训练，将关系抽取问题转化为正无标记学习任务，缓解了负样本引起的误差问题，实验结果表明，该方法能够持续超越现有方法并且即使在学习大量的假阳性样本时仍保持良好的性能。

    May, 2021

  • 利用正例和无标签学习提高神经关系提取

    该论文提出了一种新颖的方法，使用强化学习来决定句子是否与给定关系相关，借助正 / 无标签学习，该方法全面利用未标记实例，并提出了两种新的正 / 无标签包表示形式，将这两种表示形式以合适的方式组合来进行包级别的预测。实验结果显示，与几个竞争性基线相比，该新方法显着而一致地提高了性能。

    Nov, 2019

  • 一种面向关系的开放式关系抽取聚类方法

    本文提出一种关注于关系的聚类方法，使用已标注的关系数据训练模型，使聚类结果更符合关系的语义类别，旨在提高开放关系提取的准确性和效率。

    Sep, 2021