Oct, 2023

噪声鲁棒学习的远程监督联合实体和关系抽取

PDF
TL;DR用一个模型识别实体对及其关系的联合实体和关系抽取任务中，存在嘈杂标签的问题。为了填补这个空白，我们引入了一种新的噪音鲁棒方法，可以同时进行实体和关系检测，并使用一个新的损失函数惩罚与显著关系模式和实体关系依赖性不一致的情况，以及一个自适应学习步骤迭代地选择和训练高质量实例。在两个数据集上的实验证明，我们的方法在联合抽取性能和噪音减少效果方面优于现有的最新方法。
joint entity and relation extractiondistantly-labeled datanoisy labelspre-trained gpt-2noise-robust learning
发现论文，激发创造
  • 通过合作多智能体的联合实体和关系抽取重新标记噪声

    本文提出了一种联合实体抽取和关系抽取方法，通过重新标注含有噪声数据实例，并运用一个包含多个协同智能体的协同组来计算每个实例的置信度评分，最终利用置信度来调整抽取器的训练损失，以解决由于训练集和测试集不一致以及错误传播而导致的标签偏移问题。实验结果表明，所提出的方法优于现有实体和关系抽取方法。

    Apr, 2020

  • 具有噪声鲁棒性和语言模型增强的远程监督命名实体识别

    本文研究如何通过使用自动化匹配原始文本中实体提及与知识库中实体类型来获得的远距离标注数据来训练命名实体识别（NER）模型，提出了一种噪声鲁棒的学习方案和自训练方法，通过预训练语言模型创建的上下文增量来改善 NER 模型的泛化能力，在三个基准数据集上，我们的方法均获得了优越的性能，显著优于现有的远程监督 NER 模型。

    Sep, 2021

  • 一种基于数据驱动的方法用于远程监督下的生物医学关系抽取中的噪声削减

    使用多实例学习和 BERT 模型，我们提出了一个简单的数据编码方案，以降低噪音并获得了远程监控生物医学关系提取的最新性能，同时进一步编码关于关系三元组方向的知识，从而减少噪音并减轻了与知识图完成的联合学习的需要。

    May, 2020

  • 神经实体类型和关系抽取的噪声缓解

    本文探讨了信息抽取模型中两种不同类型的噪声：来自远程监督和来自管道输入特征的噪声，并针对实体类型和关系提取等任务提出了使用神经网络模型的多实例多标签学习算法，以及改进噪声实体类型预测和关系提取间的整合方法，通过实验证明概率预测比离散预测更加鲁棒，并联合训练两个任务的效果最好。

    Dec, 2016

  • 深度强化学习下的强健远程监督关系抽取

    研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声，进而将它们分配为负面样本以解决误报问题，实验表明该方法显著提高了远程监督方法的性能。

    May, 2018

  • 应用内部句子噪声降低和转移学习的神经关系抽取

    通过引入 Sub-Tree Parse 和基于迁移学习的先验知识，我们提出了一种新的基于词级级别远程监督的关系提取方法，可以从自动构建的包含噪声词语的低质量句子数据集中提取关系，实验结果表明我们的方法相对现有最优工作提高了 Precision/Recall (PR) 的面积从 0.35 到 0.39.

    Aug, 2018

  • 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

  • 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

  • 融合远程和直接监督的神经关系抽取

    本研究提出了一种改进的神经网络关系抽取模型，该模型采用直接监督数据来提高注意力机制的性能，同时使用远程监督数据帮助识别噪声标注，实验结果在 FB-NYT 数据集上取得了最新的最优性能。

    Oct, 2018

  • 使用神经噪声转换器和条件最优选择器改进远程监督关系抽取

    本文提出了一种基于神经噪声转换器方法和条件最优选择器的远程监督关系抽取方法，以减轻噪声数据造成的影响并帮助进行准确预测，实验证明该方法在大数据集中的效果显著提高。

    Nov, 2018