Oct, 2023

基于提示性数据编程的弱监督文档级关系抽取

PDF
TL;DR通过结合基于提示的技术和数据编程，PromptRE 是一种新型的弱监督文档级关系提取方法，利用标签分布和实体类型作为先验知识来改善性能，在关系分类和处理 “无关系” 问题方面表现出了更好的性能，实验证明 PromptRE 在 ReDocRED 数据集上优于基线方法。
relation extractiondocument-level relation extractionweakly-supervised approachespromptreredocred
发现论文，激发创造
  • 通过描述性关系提示和对比学习进行句子级别关系提取

    本文提出了一种新的范式 —— 具有描述性关系提示和对比学习的对抗性学习 (CTL-DRP)，用于共同考虑实体信息、关系知识和实体类型限制，通过提出的方法，在 TACRED 上获得了 76.7% 的竞争性 F1 - 分数，在 TACREV 和 Re-TACRED 都达到了 85.8% 和 91.6% 的最高水平表现。

    Apr, 2023

  • 装饰范例：一种简单的生物医学关系抽取提示设计方法

    本文探讨在生物医学领域中的关系抽取问题，研究使用集成学习的方式能否提高在 ChemProt 数据集上的预测结果，结果展示了基于掩码的抽取方法有潜力在该特定领域关系抽取任务中取得优异的性能。

    Apr, 2022

  • PromptORE -- 一种全新的完全无监督关系提取方法

    本文提出了一种无监督的关系提取模型 PromptORE，通过嵌入表达关系的句子并进行聚类来发现候选关系，此模型较之现有的最先进模型在三个一般性和特定领域的数据集上均表现出优异的性能，在 B3，V-measure 和 ARI 上的相对改进达 40% 以上，并能够识别出语义相近的聚类，这是一种不需要超参数调整的模型。

    Mar, 2023

  • 跨语言关系抽取的 Prompt 学习

    本研究提出了一种基于 Prompt-Tuning 的 XRE 算法，使用多语言 Pre-trained 语言模型，通过硬性提示、软性提示、混合提示等多个提示模板来改进 XRE 的效果，实验表明我们的算法在多语言环境下有显著的效果并且在新数据集上也表现优秀，代码和数据集已开放。

    Apr, 2023

  • 文档级关系抽取综述（2016-2022）

    本文提供了对最近在文档级关系提取领域的发展的全面概述，并强调了它与句子级关系提取的不同应用。

    Sep, 2023

  • 具有关系相关增强的文档级关系提取

    我们提出了一种关系图方法，用于明确利用关系之间的相互依赖性，在文档级别关系抽取中考虑关系的相互关联，并通过关系图模型化关系之间的相关性，以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能，在文档级别关系抽取中考虑关系的相互关联的有效性。

    Oct, 2023

  • 有效基于提示的关系分类学习

    本文提出了一种新的基于提示的学习方法 LabelPrompt，用于关系分类任务，通过定义附加令牌来表示关系标签，并构建提示模板方法，以及设计一个实体感知模块和注意查询策略来解决模型中的一些挑战，极大地提高了在缺乏标注数据情况下利用提示学习的适应能力，特别是在少样本场景中的表现超过了其他几种方法。

    Feb, 2023

  • 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

  • 基于关系相关性的文档级关系抽取

    本论文研究了文本级别关系抽取中的长尾问题和多标签问题，并通过引入关系的共现相关性，提出了一种关系嵌入模型来解决这些挑战，最终取得了优于基线模型的结果。

    Dec, 2022

  • 朝着现实低资源关系抽取的方向：具有实证基线研究的基准测试

    本文通过三种不同的方案对低资源情况下关系抽取系统进行了全面研究，并创建了包含 8 个 RE 数据集的基准，示范了不同的方法与结合的影响，结果表明虽然基于提示的调整有助于低资源 RE，但在从跨句子上下文中提取多个关系三元组时仍有很大改善潜力，数据增强与自我训练可以较好地充实现有基准，并可带来很多性能提升，然而自我训练并不能始终实现低资源关系抽取的进步。

    Oct, 2022