EMNLPApr, 2024

RTF：基于区域的关系三元组抽取表填充方法

PDF
TL;DR自动构建知识图谱的关键工作是关系三元组抽取。现有方法只从令牌或令牌对级别构建浅层表示，而忽略了关系三元组的局部空间依赖性，导致实体对边界检测的弱点。为了解决这个问题，我们提出了一种新的面向区域的表填充方法（RTF）。我们设计了一种新的基于区域的标签方案和双向解码策略，将每个关系三元组视为关系特定表上的一个区域，并通过确定每个区域的两个端点来识别三元组。我们还引入卷积以从空间角度构建区域级表表示，从而更容易捕捉三元组。此外，我们在不同关系之间共享部分标记分数，以提高关系分类器的学习效率。实验结果表明，我们的方法在三种常用基准数据集的三个变种上取得了最先进的效果，并具有更好的泛化能力。
relational triple extractionknowledge graphsregion-based table filling methodentity pair boundary detectionrelation-specific table
发现论文，激发创造
  • 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

  • 关系三元组提取：一步到位

    本文提出了 DirectRel 模型，通过构建 “头实体→尾实体” 二分图的链接问题，直接在一步中提取所有的关系三元组，并在两个常用数据集上取得比现有技术更好的实验结果。

    May, 2022

  • RE$^2$: 基於視覺豐富文件的區域感知關係抽取

    本文提出了一种基于区域感知的关系抽取方法 (RE$^2$)，它利用边缘感知的图注意力网络学习实体之间的交互，并考虑实体之间由其区域级表示定义的空间关系，同时引入约束目标以使模型符合关系抽取任务的内在约束。实验结果表明，我们的方法在各种数据集、语言和领域中具有优越性。

    May, 2023

  • 基于查询的实例区分网络用于关系三元组抽取

    我们提出了一种基于查询的方法，用于构建关系三元组的实例级表示，然后通过对比学习，实现了关系三元组实例级表示的学习和全局信息连接，最终在五个广泛使用的基准测试中达到了最先进的水平。

    Nov, 2022

  • 比特币：基于双向标记和监督对比学习的联合关系三元抽取框架

    BitCoin 是一种创新的双向标记和监督对比学习的联合关系三元组提取框架，通过考虑主体和客体之间的多个正例，引入惩罚项来防止过度相似度，并实现了从主体到客体和从客体到主体的三元组提取。实验结果表明，BitCoin 在基准数据集上取得了最先进的结果，并显著提高了正常、SEO、EPO 和多关系提取任务的 F1 得分。

    Sep, 2023

  • 一种用于超关系抽取和填充立方体的数据集

    本文提出了超关系实体抽取（hyper-relational extraction）的任务，并设计了适用于该任务的 CubeRE 模型，该模型能够处理关系三元组及其限定词之间的交互，并在 HyperRED 数据集上取得了优于基线模型的效果。

    Nov, 2022

  • 一种新型级联二进制标记框架用于关系三元组抽取

    提出了一个新的级联二进制标记框架（CasRel）来解决关系三元组抽取任务中的重叠问题，并且在两个公共数据集 NYT 和 WebNLG 上相对于最强基线在 F1 分数上具有 17.5 和 30.2 绝对增益。

    Sep, 2019

  • 优化大型语言模型的召回率：基于模型协作的关系三元组抽取方法

    本论文设计了一种评估过滤框架，将大型语言模型与小型模型整合在一起，用于处理关系三元组提取任务，以获得更准确的提取结果。评估模型能够高精度提取相关实体对，并通过简单的标注原则和深度神经网络对模型进行嵌入，将输出作为提示加入到大型模型的提取过程中。通过大量实验证明，该方法可以帮助大型语言模型从含有多个关系三元组的复杂句子中获得更准确的提取结果，同时也能够嵌入传统提取模型以提高其从复杂句子中的提取准确率。

    Apr, 2024

  • 利用多原型嵌入桥接文本和知识，进行少样本关系三元组提取

    本文提出了一种新的多原型嵌入网络模型，旨在共同提取关系三元组的组成，即实体对和相应的关系，通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识，从而注入实体和关系之间的隐式相关性，并提出原型感知正则化来学习更具代表性的原型，实验结果表明，该方法可以提高少样本三元组提取的性能。

    Oct, 2020

  • 关系三元组抽取的简单而有效的双向框架

    本文提出了一种基于双向抽取框架的标记关系三元组抽取方法，该方法在联合提取主体和关系的同时从两个方向抽取实体对，并通过共享编码器组件实现特征互补和提升，使用双仿射模型为每个实体对分配所有可能的关系，在多个基准数据集上验证其性能和有效性，此外，实验证明，所提出的双向抽取框架和共享感知学习机制具有很好的适应性，可用于提高其他标记基于方法的性能。

    Dec, 2021