Oct, 2023

具有关系相关增强的文档级关系提取

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 文档级关系抽取与重构

    该研究提出了使用 encoder-classifier-reconstructor 模型来解决 DocRE（document-level relation extraction）中因图形结构普遍建模不含关系的实体对而导致性能较差的问题，并在大规模 DocRE 数据集上得到了显著的性能提升。

    Dec, 2020

  • 以实体为中心的跨文档关系抽取

    本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型，与现有方法比较，在 CodRED 数据集上取得至少 10％ 的 F1 值的提升，从而展示其在跨文档关系提取中的有效性。

    Oct, 2022

  • 基于知识的跨文档关系抽取

    我们提出了一种新颖方法 KXDocRE，在跨文档关系抽取中嵌入了实体的领域知识，相比基准方法具有三个主要优势：1）它将实体的领域知识与文档的文本结合起来；2）它通过生成解释性文本来解释实体之间的预测关系；3）它在性能上优于先前的方法。

    May, 2024

  • 自适应焦点损失和知识蒸馏的文档级关系抽取

    本文提出了一个半监督框架，包含三个新组件，针对文档级关系抽取任务进行优化，通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题，以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型，并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。

    Mar, 2022

  • 通过迭代推理实现更好的文档级关系抽取

    本文提出了一种采用迭代推理的文档级关系抽取模型，包括一个基本模块和一个推理模块，推理模块引入了两个扩展交叉注意力单元，可以在关系推理过程中利用实体对的特征信息和之前的预测结果，通过对几乎无法预测的实体对进行处理以及引入对比学习等技术的二阶段训练策略，实现了对三个常用数据集的高效率解决方案。

    Nov, 2022

  • 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

  • 照应辅助的文档级关系抽取

    我们提出了一种基于指代辅助的框架用于文档级关系抽取任务，实验结果表明我们的模型取得了最先进的性能。

    Oct, 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