Jan, 2024

MatSciRE：利用指针网络自动化实体和关系提取以构建材料科学知识库

PDF
TL;DR我们提出了 MatSciRE（Material Science Relation Extractor），这是一种基于指针网络编码器 - 解码器框架，用于从材料科学文章中共同提取实体和关系的方法。我们针对电池材料的五种关系进行工作 - 电导率，库伦效率，容量，电压和能量。与使用 ChemDataExtractor 的先前尝试相比，我们的方法取得了更好的 F1 分数（0.771）。MatSciRE 的整体图形框架如图 1 所示。通过 MatSciRE 从材料科学文献中以实体 - 关系三元组的形式提取材料信息。
发现论文，激发创造
  • MatSciBERT：用于文本挖掘和信息提取的材料领域语言模型

    本文介绍了在材料科学文献数据的基础上训练的一种面向材料科学领域的语言模型 MatSciBERT，并对其在抽象分类、命名实体识别和关系提取等领域的性能进行了评价。结果表明 MatSciBERT 在这些任务中具有优异的表现，可用于提取材料领域的信息以推动材料的发现或优化。同时我们提供 MatSciBERT 的预训练和微调权重，以及模型的免费访问权。

    Sep, 2021

  • 跨模态检索和综合的多模式关系抽取

    本研究提出了一种多模态关系抽取方法，通过检索对象、句子和整个图像的文本和视觉证据，综合考虑了同一和不同模态之间的信息，从而比现有的方法更准确地识别语义关系并显著提高了效果。

    May, 2023

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • ReSel：通过学习检索和选择从科学文本和表格中提取 N 元关系

    我们研究从科学文章中提取 N 元关系元组的问题，我们提出了一种名为 ReSel 的方法来解决这个问题并且在三个科学信息提取数据集上得到了显著的优于现有基线的表现。

    Oct, 2022

  • 以实体为中心的跨文档关系抽取

    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

  • 面向科学知识图谱构建的实体、关系和共指的多任务识别

    本研究提出了一个多任务学习框架 SciIE 来识别、分类科学文章中的实体、关系和共指链接，并使用跨句子的共指链接来减少任务之间的级联错误。在科学信息提取方面，多任务模型效果优于以往模型，同时支持构建科学知识图谱分析科学文献。

    Aug, 2018

  • 基于知识的跨文档关系抽取

    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

  • 深度学习在关系抽取中的综合调查：最新进展与新前沿

    本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。

    Jun, 2023

  • 关系抽取和分类的生成模型

    本文介绍了一个名为 GREC 的关系抽取和分类的生成模型，采用序列生成任务对关系进行建模，并探索了各种编码表示方法，提出了负采样和解码缩放技术，可实现一次性从句子中提取所有关系三元组，从而在三个基准关系抽取数据集上取得了最新的表现，虽然一次性处理比传统方法在效率上损失了一部分性能，但它更具计算效率。

    Feb, 2022

  • 关系抽取：综述

    本文介绍了关系抽取（RE）的若干重要的监督、半监督和无监督技术，以及开放信息抽取（OIE）和远程监督的范例，最后描述了近期 RE 技术和未来研究方向。这篇综述对于领域的新手、研究人员和实践者都有用。

    Dec, 2017