具有关系相关增强的文档级关系提取
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
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
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
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
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
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