ACLOct, 2023

关于关系抽取的联合模型是否适用于文档级任务的益处？

PDF
TL;DR我们在句子级别和文档级别数据集上对目前最先进的管道和联合抽取模型进行基准测试，实验结果表明，联合模型在句子级别抽取任务上明显优于管道模型，但在文档级别数据集上，联合模型的性能迅速下降，低于管道模型。
relational triple extractionpipeline modelsjoint modelssentence-level extractiondocument-level extraction
发现论文，激发创造
  • 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

  • 基于多实例学习的实体级关系抽取端到端模型

    本文提出了一个联合模型，用于从文件中提取实体级别的关系。该模型在实体级别上操作，采用多任务方法，并通过多实例学习以及多级表示技术聚集相关信号，旨在提取文档中的关系。研究结果表明，该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时，实验结果表明，与特定任务学习相比，联合方法在参数共享和训练步骤方面更加高效。

    Feb, 2021

  • 基于相似度的增强记忆联合实体和关系抽取

    本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

    Jul, 2023

  • OneRel: 一步完成联合实体和关系抽取的单模型方法

    本文提出了一种名为 OneRel 的新型关系抽取模型，将抽取任务视为细粒度的三元组分类问题，在两个常用数据集上的实验结果表明，该方法优于现有基线模型，并在各种重叠模式和多个三元组的复杂场景中持续性能提高。

    Mar, 2022

  • 文档级联实体和关系提取任务交互建模

    本研究基于一种端到端的设置，同时执行提及提取，共指解决和关系提取，并在实体为中心的评估中进行文档级别的关系提取，特别是解决了以前工作未考虑的共指解决和关系提取之间的交互问题，并提出了显式交互，即图兼容性，以发挥任务特征的作用，通过相互作用的决策来弥合两个任务。本实验证明了该方法的有效性，并取得了比基线高 2.3/5.1 F1 改进的最优性能。

    May, 2022

  • 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

  • 基于新颖标注方案的实体和关系联合抽取

    该研究提出了一种基于标记方案的端到端关系抽取模型，将实体和关系一起提取转化成一个标记问题并在公共数据集上实现了最佳结果。

    Jun, 2017

  • 基于新的分解策略的实体和关系联合抽取

    本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三个公共数据集上优于先前的工作，达到了 21.5% 的新最优 F1 分数。

    Sep, 2019

  • 文档上下文中实体和事件的联合提取

    本文提出了一个新的方法来建立事件、实体及它们关系变量之间的依赖关系，并在文档级别上执行联合推理，以使上下文的信息得到充分利用，实现上下文感知式的预测，并证明其大幅优于现有的事件提取和实体提取方法以及强基线。

    Sep, 2016

  • 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