ACLMay, 2024

基于奖励的输入构建方法用于跨文档关系抽取

PDF
TL;DR提出了基于奖励的输入构造 (REIC) 方法，用于跨文档关系抽取，通过提取与关系有关的证据句子，使关系模块能够有效地推断关系。实验结果表明，该方法在跨文档关系抽取中的不同结构和骨干上优于启发式方法。
relation extractioncross-document redocument embeddingsreward-based input construction (reic)reinforcement learning
发现论文，激发创造
  • 以实体为中心的跨文档关系抽取

    本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型，与现有方法比较，在 CodRED 数据集上取得至少 10％ 的 F1 值的提升，从而展示其在跨文档关系提取中的有效性。

    Oct, 2022

  • 基于知识的跨文档关系抽取

    我们提出了一种新颖方法 KXDocRE，在跨文档关系抽取中嵌入了实体的领域知识，相比基准方法具有三个主要优势：1）它将实体的领域知识与文档的文本结合起来；2）它通过生成解释性文本来解释实体之间的预测关系；3）它在性能上优于先前的方法。

    May, 2024

  • 通过迭代推理实现更好的文档级关系抽取

    本文提出了一种采用迭代推理的文档级关系抽取模型，包括一个基本模块和一个推理模块，推理模块引入了两个扩展交叉注意力单元，可以在关系推理过程中利用实体对的特征信息和之前的预测结果，通过对几乎无法预测的实体对进行处理以及引入对比学习等技术的二阶段训练策略，实现了对三个常用数据集的高效率解决方案。

    Nov, 2022

  • 只需三句话：本地路径增强的文档关系提取

    该论文提出了一种简单而有效的文档级关系抽取方法，可结合 BiLSTM 使用少量证据句子识别给定实体对之间的关系，并在基准数据集上取得了优异的性能，甚至优于基于图神经网络的方法。

    Jun, 2021

  • 基于双语词嵌入映射的神经跨语言关系抽取

    本文提出了基于双语词向量映射的方法，将一个好的源语言神经网络关系抽取模型直接应用于目标语言，从而实现了跨语言关系抽取模型的转移。实验证明该方法在多种目标语言中表现出较好的性能。

    Oct, 2019

  • 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

  • Eider：基于高效证据提取和推理阶段融合的文档级关系抽取

    本文提出了一种证据增强的框架 Eider，该框架采用有效提取证据的方法并通过融合层推断有效结合提取的证据和完整文档，从而优化了基于整篇文档的关系抽取方法，实验证明 Eider 在三个基准数据集上优于现有最先进方法（例如 DocRED 上 Ign F1/F1 提高了 1.37/1.26）

    Jun, 2021

  • 文档级关系抽取综述（2016-2022）

    本文提供了对最近在文档级关系提取领域的发展的全面概述，并强调了它与句子级关系提取的不同应用。

    Sep, 2023

  • 通过跨语言迁移辅助构建日文文档级关系抽取数据集

    将英文资源应用于日语的文档级关系抽取任务，构建了一个通过将英文数据集转化为日语的数据集，并将模型预测结果用于人工标注，减少了大约 50％的人工编辑步骤。该研究评估了现有的 DocRE 模型在所构建数据集上的性能，并揭示了日语和跨语言 DocRE 的挑战。

    Apr, 2024

  • AutoRE：基于大型语言模型的文档级关系抽取

    通过引入 AutoRE 模型和 RHF (Relation-Head-Facts) 的新型 RE 提取范式，结合 QLoRA (Parameters Efficient Fine Tuning) 算法构建了一个易于扩展的 DocRE 框架，在 RE-DocRED 数据集上展现了最佳性能，超过 dev 和 test 集合上分别为 TAG 10.03% 和 9.03% 的最新结果。

    Mar, 2024