EMNLPDec, 2023

通过增加多样的句对改进无监督关系抽取

PDF
TL;DR通过增强连接句对的多样性和增强对比学习的差别性能，我们提出了 AugURE 方法，并针对关系表示学习中的噪声对比估计损失限制，应用边界损失进行句对学习，实验结果表明该方法取得了最先进的性能。
发现论文，激发创造
  • 无监督关系抽取的孪生表示学习

    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

  • HiURE: 分层范例对比学习用于无监督关系抽取

    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

  • 无监督关系抽取再审视

    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

  • 利用正例和无标签学习提高神经关系提取

    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

  • 学习双重检索模块用于半监督关系抽取

    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

  • 一个统一的正 - 无标签学习框架，用于具有不同水平标记的文档级关系提取

    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

  • 持续对比微调改善低资源关系提取

    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

  • HiCLRE：一种基于分层对比学习的远程监督关系抽取框架

    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

  • PCL: 多样增强的同行对比学习用于无监督句子嵌入

    本文提出了一种多增强策略下的同伴对照学习（PCL），以构造对比配对并构建无监督的句子嵌入，其表现优于其他与之竞争的句子嵌入方法。

    Jan, 2022

  • 从统一到语言特定训练的多语言实体和关系提取

    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