Apr, 2024

关系抽取的二维特征工程方法

PDF
TL;DR本论文提出了一种基于二维句子表示的二维特征工程方法，用于关系提取任务，经过在三个公共数据集上的评估，达到了最先进的性能，结果表明二维特征工程可以充分利用二维句子表示和传统特征工程中的先前知识。
two-dimensional representationrelation extractionfeature engineeringprior knowledgestate-of-the-art performance
发现论文，激发创造
  • 建模多粒度分层特征以进行关系提取

    本篇论文提出了一种基于原始输入句子提取多粒度特征的新方法，该方法包含实体提及级别、片段级别和句子级别三种特征，并采用层次化建模方法，以解决自然语言处理中的关系提取问题，实验证明该模型性能优于甚至使用外部知识的现有最先进模型。

    Apr, 2022

  • 基于语义分割的文档级关系抽取

    本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

    Jun, 2021

  • 基于表格填充的新型全局面向特征的关系三元组抽取模型

    本文提出了一种全局特征导向的三元组抽取模型（GTETEM），用于从复杂的句子中提取三元组，并利用全局关联进一步提升抽取效果。该模型引入新的表格填充策略，将全局关联信息与局部特征结合，使得每个关系的表格特征可以逐步细化，最终实现了表格填充和三元组提取。实验结果表明，该模型在三个基准数据集上取得了最优效果。

    Sep, 2021

  • 无监督开放式关系抽取

    在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

    Jan, 2018

  • 只需三句话：本地路径增强的文档关系提取

    该论文提出了一种简单而有效的文档级关系抽取方法，可结合 BiLSTM 使用少量证据句子识别给定实体对之间的关系，并在基准数据集上取得了优异的性能，甚至优于基于图神经网络的方法。

    Jun, 2021

  • 深度增强表示法用于隐式语篇关系识别

    本研究探讨了一种模型，利用包括字符，子词，单词，句子和句对级别的不同粒度的文本表示来更好地表示文本，该模型在隐含关系识别中取得了 48% 以上的最新成果。

    Jul, 2018

  • 多尺度表示学习在文档级 N 元关系抽取中的应用

    本文提出了一种新颖的多尺度神经架构，以文档级别的 $n$ 元关系提取为目标，通过整合文档中各种文本跨度上的学习表征和子关系层次间的信息，扩大了系统的视野，增加了召回率和精确度，并在生物医学机器阅读上实验验证优于先前的 $n$ 元关系抽取方法。

    Apr, 2019

  • 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

  • 使用预训练语言表示优化关系提取

    使用 TACRED 及 SemEval 2010 Task 8 数据集，TRE 通过使用预先训练的深度语言表示模型以及自注意力深度学习模型，从文本语料库中自动学习隐式语言特征并显著提高样本效率，从而实现了关系提取任务的新的最优结果。

    Jun, 2019

  • 基于细粒度语义信息的远程监督关系抽取方法

    本文聚焦于关系抽取，提出假设：句子中关键语义信息对实体关系抽取起着关键作用，通过内部注意机制提取句子内细粒度的语义特征，证明该关系抽取模型比已有方法具有更优的准确率和召回率。

    Feb, 2023