May, 2024

实体和关系的联合提取的解耦和聚集框架

PDF
TL;DR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。
named entity recognitionrelation extractioninformation extractionparameter sharingfine-grained subtask-specific features
发现论文，激发创造
  • 基于新的分解策略的实体和关系联合抽取

    本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三个公共数据集上优于先前的工作，达到了 21.5% 的新最优 F1 分数。

    Sep, 2019

  • 基于相似度的增强记忆联合实体和关系抽取

    本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

    Jul, 2023

  • 实体关系抽取的有效多任务交互：带有选择循环网络的统一框架

    提出一种新的联合框架，将实体关系抽取重新定义为统一的跨度抽取任务，利用选择递归网络作为共享编码器设计两种顺序信息传播策略来实现命名实体识别和关系抽取的交互作用，实现了 NER 和 RE 的相互利益。在 ACE05 和 SciERC 两个公共基准测试集上实验表明，我们的方法可以实现最先进的结果。

    Feb, 2022

  • 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

  • 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

  • 联合实体和关系提取的编码器 - 解码器架构有效建模

    本文提出了两种使用编码器 - 解码器结构的方法来共同提取关系元组和实体，其中第一种方法采用关系元组表示方案，使解码器能够像机器翻译模型一样逐个单词生成，并仍然找到具有不同长度和重叠实体的所有元组，而第二种方法采用指针网络解码方法，每个时间步长生成整个元组。实验结果表明，本文提出的方法优于先前的工作，并实现了显着更高的 F1 分数。

    Nov, 2019

  • CARE：用于联合实体和关系抽取的共同注意力网络

    我们提出了一种名为 CARE 的 Co-Attention 网络模型，可以实现联合实体和关系的抽取任务，通过学习各个子任务的独立表示以避免特征重叠，并通过双向交互来提升模型性能，实验结果表明我们的模型在三个基准数据集上表现优秀。

    Aug, 2023

  • 基于新颖标注方案的实体和关系联合抽取

    该研究提出了一种基于标记方案的端到端关系抽取模型，将实体和关系一起提取转化成一个标记问题并在公共数据集上实现了最佳结果。

    Jun, 2017

  • 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

  • 联合实体识别和关系抽取作为多头选择问题

    该研究提出了一种基于神经网络的联合模型，能够同时执行实体识别和关系抽取任务，而无需人工提取特征或使用任何外部工具，并在包括新闻、生物医学和房地产等不同语境下进行了实验，而且表现优异。

    Apr, 2018