GraphER: 一种结构感知的文本到图模型，用于实体和关系抽取

Apr, 2024

GraphER: 一种结构感知的文本到图模型，用于实体和关系抽取

GraphER: A Structure-aware Text-to-Graph Model for Entity and Relation Extraction

Urchade Zaratiana, Nadi Tomeh, Niama El Khbir, Pierre Holat, Thierry Charnois

TL;DR该研究论文提出了一种新颖的方法，将信息提取任务转化为图结构学习，通过动态细化和优化图结构来增强模型在实体和关系预测方面的能力，相比于以前的模型，该方法允许更好的交互和结构驱动决策，同时在联合实体和关系提取基准测试上与最先进的基准模型相比获得了有竞争力的结果。

Abstract

information extraction (IE) is an important task in Natural Language Processing (NLP), involving the extraction of named entities and their relationships from unstructured text. In this paper, we propose a novel

information extraction named entities graph structure learning entity and relation prediction state-of-the-art baselines

发现论文，激发创造

GraphIE: 基于图的信息提取框架

本文介绍了一种基于图推理的信息抽取框架 GraphIE，通过图卷积处理文本单元之间的广泛依赖关系，生成更丰富的表示以提高词级预测的性能，评估表明 GraphIE 明显优于现有的基于序列标注模型。

Oct, 2018

结合语言和图模型进行 Web 上的半结构化信息提取

关系抽取是一种从网络上挖掘人类知识的高效方式，本文提出了一种名为 GraphScholarBERT 的开放领域信息抽取方法，它能够从半结构化的网页中提取目标关系，并能在未见过的领域中进行泛化，无需额外数据或训练，并且与搜索关键词完全匹配。实验证明，GraphScholarBERT 在零射击域和零射击网站情境下，相比以往的方法，可以提高抽取的 F1 分数达 34.8%。

Feb, 2024

使用面向边的图来进行文档级别神经关系抽取：连接相互关联的信息点

本研究采用面向边的图神经网络模型对文档级关系抽取进行研究，该模型利用不同类型的节点和边来创建文档级图，并通过图上边的推理机制进行联合及交叉句子的学习，实验结果表明该方法在化学疾病和基因疾病相关性数据集上表现出很好的性能。

Aug, 2019

远程监督的词形句法模型用于关系抽取

信息抽取任务涉及将非结构化文本内容自动转换为结构化数据。本文提出了一种从文本中提取和分类无限制关系集的方法，它基于远程监督方法获取的形态 - 句法抽取模式，并创建句法和语义索引来提取和分类候选图。我们在构建在 Wikidata 和 Wikipedia 上的六个数据集上评估了我们的方法。评估结果显示，我们的方法可以实现高达 0.85 的精确度得分，但召回率和 F1 得分较低。我们的方法可以快速构建基于规则的信息抽取系统，并构建注释数据集以训练基于机器学习和深度学习的分类器。

Jan, 2024

开放信息提取中基于语义链接的石墨烯命题

本文介绍了一种使用两层转换阶段的开放式信息提取方法，其中包括从复杂的语言结构中提取命题的核心关系元组和上下文信息，以及使用修辞关系将其语义相关。我们的参考实现 Graphene 在正确构建 n - 元谓词 - 参数结构方面优于现有的开放式 IE 系统，并且我们的框架的转换过程对现有的开放式 IE 方法会产生益处。

Jul, 2018

使用预训练语言模型的端到端命名实体识别和关系抽取

本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系，该模型不依赖于外部自然语言处理工具，而是集成了大量的预训练语言模型，在三个领域的五个数据集上，我们的模型可以与最先进的性能相提并论，有时甚至具有更高的性能。

Dec, 2019

联合实体和关系提取：基于跨度修剪和超图神经网络

我们提出了一种基于超图神经网络的 PL-marker 模型的 Entity and Relation Extraction (ERE) 方法，采用高召回修剪机制来减轻错误传播，并在建立的超图上运行超图神经网络进行高阶推理，实验结果显示在 ERE 任务上相较于之前最先进的 PL-marker 模型有明显的提升。

Oct, 2023

一种基于实体图的行走模型，用于关系抽取

提出了一种基于图的神经网络模型，用于关系提取，将句子中的实体对作为节点放置在全连接图结构中，边用围绕实体对的位置感知上下文表示，构建了不同关系路径，通过迭代更新边表示为更长的路径表示。在 ACE2005 数据集上实现了与最先进系统相当的性能而不使用任何外部工具。

Feb, 2019

实体和关系抽取中的情境化和泛化

本文主要研究了最新的自然语言处理技术中，神经网络和语言模型在命名实体识别和关系抽取方面的应用以及它们在训练过程中面临的一些挑战。我们发现，预训练的语言模型对发现未曾见过的命名实体表现良好，但对于未曾见过的关系则有待加强，因此模型的理解能力仍存在提升空间。

Jun, 2022

信息提取的易到难学习

本文针对信息提取系统在不同任务之间交互存在困难的问题，提出了一种易于模仿人类学习过程的三阶段联合学习框架，该框架可以使模型更好地学习不同任务之间的知识和提高其泛化能力，在四项 IE 任务上进行的广泛实验表明了本框架的有效性。

May, 2023