关键词unsupervised relation extraction
搜索结果 - 6
- EMNLP通过增加多样的句对改进无监督关系抽取
通过增强连接句对的多样性和增强对比学习的差别性能，我们提出了 AugURE 方法，并针对关系表示学习中的噪声对比估计损失限制，应用边界损失进行句对学习，实验结果表明该方法取得了最先进的性能。
- 无监督关系抽取的孪生表示学习
无监督关系抽取中的 Siamese 表示学习框架通过利用正样本对关系表示进行学习，有效优化实例的关系表示并保留了关系特征空间中的层次信息，取得了显著的研究成果。
- PromptORE -- 一种全新的完全无监督关系提取方法
本文提出了一种无监督的关系提取模型 PromptORE，通过嵌入表达关系的句子并进行聚类来发现候选关系，此模型较之现有的最先进模型在三个一般性和特定领域的数据集上均表现出优异的性能，在 B3，V-measure 和 ARI 上的相对改进达 - ACLHiURE: 分层范例对比学习用于无监督关系抽取
提出了一种名为 HiURE 的对比学习框架，它能够利用交叉层次注意力从关系特征空间中得出层次信号，并在基于实例的对比学习下有效地优化句子的关系表示，从而在无监督关系提取中表现出先进的效果和鲁棒性。
- ACL开放关系抽取的元素干预
通过结构因果模型重新审视了 Open Relation Extraction 的过程，发现现有模型中的问题源于实体和情境对于关系类型的虚假相关性，提出了 Element Intervention 方法，实验结果表明该方法在无监督关系提取数据 - ACL无监督关系抽取再审视
通过使用命名实体来诱导关系类型，我们可以在两个流行的数据集上优于现有方法。我们比较和评估了我们的发现与其他 URE 技术，并确定了 URE 中的重要特征。我们得出的结论是实体类型为 URE 提供了强有力的归纳偏差。