Oct, 2023

用于生物医学远程监督关系抽取的句子包图形建模

PDF
TL;DR我们介绍了一种新颖的基于图的框架，用于缓解远程监督关系抽取中的关键挑战，并展示了其在生物医学数据领域的效果。特别地，我们提出了一种针对实体对引用的句子包的图视图，它可以通过信息传递的方式聚合与实体对相关的句子包中的信息。所提出的框架缓解了远程监督关系抽取中常见的噪声标注问题，并有效地整合了句子包内句子之间的相互依赖关系。对两个大规模生物医学关系数据集和广泛使用的 NYT 数据集的大量实验证明，我们提出的框架在生物医学远程监督关系抽取方面明显优于现有的方法，同时在一般文本挖掘领域的关系抽取方面也具备出色的性能。
发现论文，激发创造
  • 跨句远程监督关系抽取

    本研究提出了首个远程监督应用于跨句关系抽取的方法，基于图形表示从多条路径中提取特征，实验表明我们的方法可以学习一种准确的跨句提取器，并提取了两倍于现有远程监督范例的关系，从而证明了跨句关系的普遍存在和本方法的优越性。

    Sep, 2016

  • 具有背内及背间注意力的远程监督关系抽取

    本文介绍了一种神经关系抽取方法，用于处理远程监督下产生的嘈杂训练数据，在考虑句子级和集合级别的噪声处理时，利用了组内注意力和组间注意力，提出的方法在 New York Times 数据集上比现有方法表现更加出色。

    Mar, 2019

  • 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

  • 基于自注意力增强和实体感知嵌入的选择性门，用于远程监督关系抽取

    本研究提出了一种轻量级神经框架，使用实体感知的词嵌入方法、自注意机制和基于丰富语境表示的汇聚门来解决监督远程关系提取的问题和减轻之前机制的缺陷，实现了最高的分类准确性和最佳的实验结果。

    Nov, 2019

  • MedDistant19：面向广泛覆盖的医学关系抽取精准基准的研究

    本研究针对生物医学领域中关系抽取的挑战，提出利用知识图谱关系对原始文本进行自动标注，以克服标注数据缺乏的问题，并通过构建更为准确的基准集 “MedDistant19” 来解决现有基准集存在的一系列问题，并验证了其在领域中具有普遍适用性。

    Apr, 2022

  • 面向文档级关系抽取的模块化自监督

    该研究提出了一种将文档级关系抽取分解成关系检测和参数分辨的方法，利用显式语篇建模和模块化自我监督来进行改进，并在生物医学阅读中进行了细致的评估，其方法优于以往的最先进技术。

    Sep, 2021

  • 无监督关系抽取的深度双向转换器

    使用句法分析和预先训练的词嵌入技术，在缺乏任何形式监督的情况下，提取少量精确关系，用于注释更大的语料库，并在生物医学领域的四个数据集上通过微调预先训练的 BERT 模型进行关系抽取实验表明，与无监督关系提取的两个简单的基线相比，我们的方法显著优于两个简单的基线，即使不使用任何监督，也获得了三个数据集中的最先进结果之一；更重要的是，我们证明了使用噪声数据可以成功地对大型预先训练的语言模型进行微调，而不是依赖于黄金数据进行微调。

    Nov, 2019

  • 在有限数据的狭窄知识领域中，概念袋模型提高了关系抽取的效果

    本文研究如何通过限制的注释数据和狭窄的知识领域下的传统关系提取任务。研究使用包含 200 个乳腺癌随访治疗信函的临床语料库，并在其中注释了 16 种不同类型的关系。实验指出，使用调节实体提及的相关类型的上下文窗口的窗口限制共现方法 (WBC) 来提取有类型关系是较为理想的。与一个更典型的句内共现基准进行比较，我们进一步提出一种基于最先进的词嵌入和词同义词的概念包 (BoC) 方法进行特征工程。论文结果表明，与更高复杂度的方法相比，BoC 方法具有竞争力，并且可以在这个小数据集上发挥很好的效果。

    Apr, 2019

  • 跨关系跨包注意力的远程监督关系抽取

    本论文提出了基于 Cross-relation Cross-bag 选择性注意力（C $ ^ 2 $ SA）的多实例学习，以实现对遥感监督关系提取器的噪音鲁棒训练。

    Dec, 2018

  • SEE: 基于语法感知的实体嵌入用于神经关系抽取

    本文提出了一种基于语法树和句子嵌入的远程监督关系抽取方法，使用句子和实体的嵌入对关系进行分类，实验结果表明这种方法在真实数据集上取得了最佳的性能。

    Jan, 2018