通过增加多样的句对改进无监督关系抽取
无监督关系抽取中的 Siamese 表示学习框架通过利用正样本对关系表示进行学习,有效优化实例的关系表示并保留了关系特征空间中的层次信息,取得了显著的研究成果。
Oct, 2023
提出了一种名为 HiURE 的对比学习框架,它能够利用交叉层次注意力从关系特征空间中得出层次信号,并在基于实例的对比学习下有效地优化句子的关系表示,从而在无监督关系提取中表现出先进的效果和鲁棒性。
May, 2022
通过使用命名实体来诱导关系类型,我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术,并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。
Apr, 2020
该论文提出了一种新颖的方法,使用强化学习来决定句子是否与给定关系相关,借助正 / 无标签学习,该方法全面利用未标记实例,并提出了两种新的正 / 无标签包表示形式,将这两种表示形式以合适的方式组合来进行包级别的预测。实验结果显示,与几个竞争性基线相比,该新方法显着而一致地提高了性能。
Nov, 2019
本文提出 DualRE,使用弱监督技术结合自我训练机制和多视图学习方法,在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明,该方法有效地提高了模型的性能表现。
Feb, 2019
本文首次使用正样本 - 未标记(PU)学习在文档级别关系抽取任务上,并提出了一种统一的 PU 框架 - Shift and Squared Ranking Loss Positive-Unlabeled(SSR-PU)学习。本方法考虑了数据集标记数据可能导致未标记数据的先验偏移问题,并使用了自适应阈值和平方排名损失,实验表明我们的方法相对于之前的基线在不完全标记的情况下提高了约 14 个 F1 分数,并且在完全监督和极端未标记设置下性能优于现有的方法。
Oct, 2022
该论文介绍了一个用于解决低资源场景下关系抽取的方法,该方法基于自监督学习和对比学习,以一致的目标进行预训练和微调,在两个数据集上的实验表明,该方法在使用 1% 的数据时,较基于 PLM 的分类器分别提高了 10.5%和 5.8%的性能水平。
Dec, 2022
本文提出了一种基于对比学习的层次化关系抽取框架(HiCLRE),该框架结合全局结构信息和局部微粒度交互以减少噪声句子,并在不同的 DSRE 数据集中均显著优于强基准模型,其中包括了远程监督、关系抽取、多粒度重上下文化和对抗扰动等关键词。
Feb, 2022
本文提出了一种基于多语言训练的实体和关系抽取框架 (mERE),使用两阶段多语言训练方法和多语言实体、关系抽取联合模型,通过语言通用聚合器 (LA) 和语言特定切换器 (LS) 分别缓解语言干扰并提高关系三元组的抽取效果,实验结果表明该方法优于单语言和多语言基线模型。
Jan, 2023