Apr, 2024

EnriCo: 实体和关系抽取的丰富表示和全局约束推理

PDF
TL;DR我们引入了 EnriCo，通过使用注意机制促进了丰富和表达力的表示，并使用一系列解码算法来确保结构化和连贯的输出。在联合实体和关系抽取数据集上评估时，我们的模型表现出与基线模型相媲美的性能。
joint entity extractionrelation extractionknowledge graphsenricodecoding algorithms
发现论文，激发创造
  • 一种简单易行的实体和关系抽取方法

    本研究提出了一种简单的流水线方法来进行实体和关系抽取，并在标准基准测试中确立了新的最佳结果，通过对实体和关系进行不同的上下文表示，融合实体信息来提高性能，同时在全局上下文中引入信息以提高准确性。

    Oct, 2020

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022

  • 知识增强的联合生物医学实体和关系提取

    本论文提出了一种名为 KECI（知识增强的集体推理）的新框架，结合外部知识进行实体和关系提取，在两个基准数据集 BioRelEx 和 ADE 中实现新的最先进结果，使用全局关系信息将提及跨度链接到实体，使用图卷积网络将全局关系信息集成到局部表示中。

    May, 2021

  • 联合学习实体和关系表示用于实体对齐

    本文提出了一种使用图卷积神经网络（GCN）学习实体和关系表示的新颖联合学习框架，以改善实体对齐，并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明，我们的方法显著优于现有的实体对齐方法。

    Sep, 2019

  • 使用 OpenIE 丰富化关系抽取

    本研究探讨了最近开放信息提取方法（OpenIE）如何通过将句子的结构信息编码为向量表示来改进关系提取（RE）的任务，实验结果表明，使用 OpenIE 以及 BERTFine-tune 的方法可以改善 RE 的效果。

    Dec, 2022

  • 实体和关系的联合提取的解耦和聚集框架

    我们提出了一种新模型，旨在联合提取实体和关系，通过解耦特征编码过程并使用细粒度的子任务特定特征以及采用新的信息交互策略来增强模型性能，并在实验中展现了优于现有模型的结果。

    May, 2024

  • CoRI: 集体关系整合与数据增强用于开放信息抽取

    通过提取网页信息与知识图谱进行整合，本文研究通过整合自由文本中主题 - 关系 - 客体提取到的自由文本关系，并对接到目标知识图谱中相关关系以达到全球合一的目的，结果取得了可观的并显著优于基线的效果。

    Jun, 2021

  • 具有全局可解释性的轻度监督表示学习

    本文提出一种基于表征学习的轻度监督信息提取方法，通过学习自定义的嵌入表示，将传统自举方法与鲁棒性强的表征学习结合起来，实现了对多词实体分类和匹配模式的有效提取和解释，该方法优于三种现有方法，并能输出全局解释性模型。

    May, 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

  • 实体知识注入增强文档级关系抽取

    本文提出了一种实体知识注入框架，以加强当前的文档级关系提取模型，并通过两个基准数据集的实验证实了我们扩展核链和融合知识图和文档表示的能力提高了文档级关系提取模型的一致性

    Jul, 2022