联合实体和关系提取:基于跨度修剪和超图神经网络
提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE,通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征,并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系,并使用多任务学习策略训练整个框架,实验证明 GraphERE 明显优于现有方法,进一步分析显示了图增强事件嵌入和共同提取策略的有效性。
Mar, 2024
本研究提出一种新的联合多模态实体关系抽取任务方法,结合了多模态命名实体识别和多模态关系提取的相互作用,使用增强边缘对齐的图形对齐网络和词对关系标记来增强该任务,它能够发现实体 - 实体关系和对象 - 对象关系之间的关联性。
Nov, 2022
本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系,该模型不依赖于外部自然语言处理工具,而是集成了大量的预训练语言模型, 在三个领域的五个数据集上,我们的模型可以与最先进的性能相提并论,有时甚至具有更高的性能。
Dec, 2019
提出一种新的联合框架,将实体关系抽取重新定义为统一的跨度抽取任务,利用选择递归网络作为共享编码器设计两种顺序信息传播策略来实现命名实体识别和关系抽取的交互作用,实现了 NER 和 RE 的相互利益。在 ACE05 和 SciERC 两个公共基准测试集上实验表明,我们的方法可以实现最先进的结果。
Feb, 2022
该研究提出了一种基于神经网络的联合模型,能够同时执行实体识别和关系抽取任务,而无需人工提取特征或使用任何外部工具,并在包括新闻、生物医学和房地产等不同语境下进行了实验,而且表现优异。
Apr, 2018
本研究通过使用基于跨度的管道方法,在 ChemProt 数据集上获得了新的最先进的 E2ERE(端到端关系提取)性能,结果比先前的最佳结果提高了 $> 4%$,结果表明简单的细粒度标记化方案有助于跨度方法在 E2ERE 中表现优异,特别是对于处理复杂命名实体。
Apr, 2023
本文提出了一种新的统一实体关系抽取方法 HIORE,该方法利用高阶交互来捕捉更丰富的信息,并在三种基准测试中取得了最先进的性能表现,相对于之前的最优模型提高了 1.1~1.8 F1 分数。
May, 2023
本研究提出了一种基于序列标注与双重感知机制(Local-aware Attention 和 Global-aware Convolution)的混合神经网络模型(HNN4ORT),以克服 Open relation extraction 任务中训练数据不足与特定神经结构建模的问题,并通过多种测试表明其显著的性能优势。
Jul, 2019
本文主要研究了最新的自然语言处理技术中,神经网络和语言模型在命名实体识别和关系抽取方面的应用以及它们在训练过程中面临的一些挑战。我们发现,预训练的语言模型对发现未曾见过的命名实体表现良好,但对于未曾见过的关系则有待加强,因此模型的理解能力仍存在提升空间。
Jun, 2022
本文研究了基于多模态数据的命名实体识别和关系提取,提出了一种新的基于视觉增强的实体和关系提取方法,即分层视觉前缀融合网络(HVPNeT),通过使用动态门控聚合策略,利用多层次视觉特征进行视觉前缀的融合,从而实现更有效和稳健的性能,实验证明了此方法的有效性和领先性。
May, 2022