COLINGMay, 2024

TacoERE: 事件关系抽取的集群感知压缩

PDF
TL;DR我们提出了一种关于事件关系抽取的聚类感知压缩方法 (TacoERE)，该方法通过聚类和压缩策略对文档进行建模，用于提高事件关系抽取的效果。实验结果表明 TacoERE 是一种有效的 ERE 方法。
event relation extractioncompression-then-extraction paradigmdocument clusteringcluster summarizationere datasets
发现论文，激发创造
  • GraphERE: 基于图增强事件嵌入的多事件关系抽取

    提出了一种基于图增强事件嵌入的共同多事件关系提取框架 GraphERE，通过使用静态 AMR 图和 IE 图来丰富事件嵌入以及事件参数和结构特征，并使用节点变换器和为每种类型的关系构建任务特定的动态事件图来共同提取多个事件关系，并使用多任务学习策略训练整个框架，实验证明 GraphERE 明显优于现有方法，进一步分析显示了图增强事件嵌入和共同提取策略的有效性。

    Mar, 2024

  • 通过易于关系增强和对比学习改善长尾文档级关系抽取

    本文针对文本提取中长尾分布问题，提出 Easy Relation Augmentation (ERA) 方法和基于此的对比学习框架 ERACL，以改善面向真实场景的文档级关系提取性能，取得了优越的表现。

    May, 2022

  • 化学蛋白相互作用提取的端到端模型：更好的标记和基于跨度的流水线策略

    本研究通过使用基于跨度的管道方法，在 ChemProt 数据集上获得了新的最先进的 E2ERE（端到端关系提取）性能，结果比先前的最佳结果提高了 $> 4％$，结果表明简单的细粒度标记化方案有助于跨度方法在 E2ERE 中表现优异，特别是对于处理复杂命名实体。

    Apr, 2023

  • MAVEN-ERE: 一个用于事件指代消解、时间、因果和子事件关系抽取的统一大规模数据集

    本研究构建了一个统一的大规模人工标注事件关系提取数据集 MAVEN-ERE，并改进了标注方案。该数据集包含 103,193 个事件共指链，1,216,217 个时间关系，57,992 个因果关系和 15,841 个子事件关系，是现有所有事件关系提取任务数据集的十倍以上。实验表明，MAVEN-ERE 上的事件关系提取具有相当高的挑战性，联合学习可以提高性能。

    Nov, 2022

  • 超越分类：一种用于事件时间关系提取的统一框架

    本文提出了一个统一的事件时间关系提取框架，并将时间关系转化成时间点的逻辑表达式，通过预测某些时间点的关系完成事件时间关系提取。该方法不仅在 TB-Dense 和 MATRES 上取得了显著提升，也可以在低数据情况下实现稳定的改进。

    May, 2023

  • ProtoEM: 事件关系抽取的原型增强匹配框架

    本文通过获取每种事件关系的原型表示并提出了原型增强匹配（ProtoEM）框架，用于联合提取多种事件关系。实验结果表明，该框架可以有效地表示事件关系的原型，并在基准模型上取得了显著改进。

    Sep, 2023

  • 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

  • 具有关系相关增强的文档级关系提取

    我们提出了一种关系图方法，用于明确利用关系之间的相互依赖性，在文档级别关系抽取中考虑关系的相互关联，并通过关系图模型化关系之间的相关性，以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能，在文档级别关系抽取中考虑关系的相互关联的有效性。

    Oct, 2023

  • 实时搜索中的事件增强检索

    提出了一种名为 EER 的新方法，该方法通过改进传统 EBR 的双编码器模型、引入对比学习和生成式事件三元组提取方案，以及相关学习实现事件关联查询编码器优化，提高了实时检索性能，有望为信息检索领域带来新的视角。

    Apr, 2024

  • 基于管道、序列到序列和 GPT 模型的端到端关系抽取比较：用罕见疾病案例进行实验

    本文针对罕见疾病中涉及不连续和嵌套实体的复杂数据集，比较了三种主流的端到端关系抽取模型，并通过对错误分析来评估它们的性能。研究结果表明，管道模型仍然是最好的选择，而生成式预训练转换模型相较于管道模型和序列到序列模型表现较差。从当前情况来看，设计良好的管道模型在性能提升、成本和碳足迹方面具有显著优势。

    Nov, 2023