【论文阅读GAIN】Double Graph Based Reasoning for Document-level Relation Extraction[EMNLP2020]

最新推荐文章于 2023-07-17 10:53:22 发布
最新推荐文章于 2023-07-17 10:53:22 发布
阅读量524 收藏 1
点赞数
分类专栏： 论文学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Ahighmore/article/details/119545199
版权

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

摘要

具有双图特征的图聚合和推理网络。
GAIN 首先构建一个提及级别的图（hMG)来表示不同提及之间的复杂交互；
还有一个实体级别图（EG），相同实体的潜在提及；
然后在此基础上提出一个路径推理机制来推断实体之间的关系。

GAIN可以聚合文档感知上下文信息并推断文档的逻辑关系。

一、面临问题

  1. 关系中涉及的S，O 可能出现在不同的句子。
  2. 统一实体可能在不同的句子中被多次提及，还有上下文的信息。
  3. 许多关系需要逻辑推理技术，实体和关系需要在句子中才能推理。

二、Task Formulation

最低0.47元/天 解锁文章
Eve_Mercedes
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
EMNLP2020文档级关系抽取模型GAIN 论文Double Graph Based Reasoning for Document-level Relation Extraction
CycloneKid的博客
11-13 1848
前言 这是EMNLP2020一篇文档级关系抽取的论文，代码链接 https://github.com/DreamInvoker/GAIN，其性能相较ACL2020中的文档级关系抽取模型LSR有一定的提升，其能够有提升的主要原因在于两点：1）构建了异质图并使用了R-GCN进行特征传播，相较之前一些构建同质图然后做特征传播的模型，使用异质图可以融合更复杂的特征；2）增加了关系推理层，构建了一个实体图做关系推理。 1.摘要 文档级关系抽取的目的是提取文档中实体之间的关系。不同于句子层次的关系抽取，文档需要对文档中
Double Graph Based Reasoning for Document-level Relation Extraction
weixin_42324313的博客
05-19 806
Double Graph Based Reasoning for Document-level Relation Extraction Shuang Zeng1,2∗, Runxin Xu1∗, Baobao Chang1,2†and Lei Li3 1Key Laboratory of Computational Linguistics, Peking University, MOE, China 2School of Software and Microelectronics, Peking Univ
《Double Graph Based Reasoning for Document-level Relation Extraction》
fang519420的博客
08-15 292
论文阅读 Double Graph Based Reasoning for Document-level Relation Extraction
论文阅读《Double Graph Based Reasoning for Document-level Relation Extraction》
qq_48482969的博客
08-15 186
Double Graph Based Reasoning for Document-level Relation Extraction 论文阅读
【每日一读】EMNLP2020:基于双图推理进行篇章级关系抽取
carrie_0307的博客
12-29 813
Paper: (EMNLP2020)Double Graph Based Reasoning for Document-level Relation Extraction Link: https://www.aclweb.org/anthology/2020.emnlp-main.127.pdf Code: https://github.com/PKUnlp-icler/GAIN 这是一篇进行篇章级关系抽取任务的工作。在Intro部分，作者首先提出了篇章级关系抽取任务的难点: 同一三元组中的头实体和尾实
Graph-based reasoning model for multiple relation extraction.pdf
03-02
Graph-based reasoning model for multiple relation extraction.pdf
An Unrestricted-Hop Relation Extraction Framework for Knowledge-Based QA
08-09
In relation extraction for knowledge-based question answering, searching from one entity to another entity via a single relation is called “one hop”. In related work, an exhaustivesearchfromallone-...
Weighted Graph Based Description for Finger-vein Recognition
02-11
Weighted Graph Based Description for Finger-vein Recognition
relation-graph图谱移动端适配拖动修复代码
03-18
relation-graph图谱移动端适配拖动修复代码
Graph-Based-Blind-Image-Deblurring-master.rar_ImageProcessing_bl
07-14
文献 Graph-based Blind Image Deblurring from a Single Photograph 的参考代码
FTKernelAPI BT协议内核库及示例源码
02-23
FTKernelAPI 是一套完全免费(对于非商业性程序而言)的实现了BitTorrent 网络协议的内核库。在兼容官方BitTorrent协议的同时针对国内的网络带宽状况进行了优化，增加了一个侦听端口支持多个任务同时运行, 文件选择下载，断点续传, 自动配置支持UPnP协议的路由器, 对于全局或者单个任务进行速度限制等功能。FTKernelAPI BT协议内核库以及示例源码 BitZam 的出现，使BT软件开发不再高深。只要你愿意，不必关心网络编程，BT协议，只需简单的调用FTKernelAPI的接口在3天的时间里就能开发出满足你自己需要的BT下载软件。假如你正在想自己开发一个BT下载软件或者你正在为你的公司的程序寻找一种省钱省时的下载解决方案, FTKernelAPI将是你的理想选择...FTKernelAPI 成熟可靠吗？ 可以被那些开发语言使用？BT下载软件FlashBT(变态快车) 就是使用的本内核库. 从2004年开发至今，经过了大约100万以上用户的测试使用，已经非常成熟和可靠。而且作者长期从事P2P和IM软件的开发，积累了丰富的开发经验，还在不断的改进和完善FTKernelAPI 之中。FTKernelAPI 是使用C++开发, 以标准C API 接口的方式提供外部调用接口. 所以FTKernelAPI 不但可以应用于C++开发的程序中, 同样可以应用于VB/Delphi/C++ Builder 的语言开发的程序中. 目前FTKernelAPI 已经被国内和国外的几家公司成功的应用于他们的商业程序中, 包括C++和Delhpi开发的程序.FTKernelAPI 如何使用? 有什么例子可以参照吗?为了便于大家使用, 作者提供了一个使用FTKernelAPI 开发的开放源码的BT下载程序 - BitZam. 关于使用FTKernelAPI, 你可以下载BitZam的C++源码看看. 使用起来非常简单. 你可以在BitZam的基础上在很短的时间内开发出通用的BitTorrent下载程序或者自己专用的禁止其他人的BitTorrent软件下载的程序. 你不必再关心BitTorrent协议的细节, 这些都已经被封装在了内核库中.FTKernelAPI 和FlashBT的使用的内核有差别吗?FlashBT同样使用的是 FTKernelAPI 内核. 你得到的内核和FlashBT使用的没有任何差别. 这意味着, 只要你愿意, 你可以开发出和FlashBT一样强大的BT下载程序.FTKernelAPI 是完全免费的吗? 可以将它应用于商业程序中吗?对于非商业性非盈利性软件你可以自由免费使用它. 没有任何时间和功能限制. 对于商业性程序, 你只需要支付少量的费用,就可以获取到本内核库的商业使用权, 并且获得到作者的免费长期技术支持。另外对于商业应用的特殊需求，FTKernelAPI提供了特别的接口，就是使用FTKernelAPI可以制作出使用DE算法加密的只有FTKernelAPI能够识别和下载的Torrent件，保护您的商业利益不受侵犯！
Learning Logic Rules for Document-Level Relation Extraction
最新发布
appllllllle的博客
07-17 196
文档级关系提取旨在识别整个文档中实体之间的关系。先前捕获远程依赖关系的努力严重依赖于通过(图)神经网络学习的隐式强大表示，这使得模型不太透明。为了解决这一挑战，本文提出了LogiRE，这是一种通过学习逻辑规则来提取文档级关系的新型概率模型。LogiRE将逻辑规则视为潜在变量，由两个模块组成:规则生成器和关系提取器。规则生成器生成可能有助于最终预测的逻辑规则，关系提取器根据生成的逻辑规则输出最终预测。利用期望最大化(EM)算法可以对这两个模块进行有效的优化。
文献阅读—GAIN：Missing Data Imputation using Generative Adversarial Nets
u011036984的博客
11-30 4300
文章提出了一种填补缺失数据的算法—GAIN。生成器G观测一些真实数据，并用真实数据预测确实数据，输出完整的数据；判别器D试图去判断完整的数据中，哪些是观测到的真实值，哪些是填补的值。给D提供一些额外的提示信息，保证G可以学习期望的分布。提示向量向D透露了原始数据的部分信息。在多个数据集上测试了算法，算法效果较好。 一.引言 1.缺失数据可以分成三类： MCAR：完全随机缺失，数据的缺失不依赖于任何不完全变量和完全变量。 MAR：随机缺失，数据的缺失不是完全随机的，依赖...
【论文阅读】Document-Level Relation Extraction with Reconstruction（AAAI2021）
li_jiaoyang的博客
01-07 2042
作者提供的代码 2021 AAAI 提出，没有关系的实体对会影响编码器的attention效果。 创新： 将更多的注意力放在有关系的实体对上，对路径重构。 重构方法最常用在神经机器翻译NMT上，解决翻译不够充分的问题。作者证明了用在DocRE效果也很好。 1. 异构图构建 假设一个文档有L个句子，每个句子有J个词。使用BILSTM对其进行编码。如上图所示，异构图包含提及结点、实体结点、句子结点。作者在指向相同实体的不同提及之间，还加了Mention-Coreference边。 2.编码器 使用图注意力网.
EMNLP2020文档级关系抽取模型GLRE 论文Global-to-Local Neural Networks for Document-Level Relation Extraction
CycloneKid的博客
11-14 1444
文章目录前言1.摘要2.模型2.1编码层2.2全局表示层2.3局部表示层2.4分类层 前言 这是EMNLP2020一篇文档级关系抽取的论文，代码链接 https://github.com/nju-websoft/GLRE，这篇论文主要有三个亮点： 构建了异质图并使用了R-GCN进行特征传播，相较之前一些构建同质图然后做特征传播的模型，使用异质图可以融合更复杂的特征； 有一个本地表示层，通过自注意力的计算方式得到一个local entity representation，消融实验证明了这种方式可以提升关系推
[论文解读]DORE: Document Ordered Relation Extraction based on GenerativeFramework
Queen_sy的博客
07-07 193
近年来，基于生成框架的信息抽取工作激增，它允许更直接地使用预先训练的语言模型，并有效地捕获输出依赖关系。然而，以前使用词法表示的生成方法并不适合存在多个实体和关系事实的文档级关系抽取(DocRE)。在本文中，我们调查了现有生成型DocRE模型表现不佳的根本原因，我们提出了一种，这种方法具有确定性，且易于模型学习。此外，我们设计了一种处理超长目标序列的。此外，我们还引入了几种来提高平衡信号的性能。在4个数据集上的实验结果表明，该方法可以提高生成DocRE模型的性能。
复现KGAT: Knowledge Graph Attention Network for Recommendation（二）
weixin_45665465的博客
04-13 1123
复现KGAT: Knowledge Graph Attention Network for Recommendation（二） 事情真是多啊。上篇博客8号写的，隔了3天才写第二篇。读篇文章也真是不容易啊，虽然读这篇文章已经算是我重要且紧急的任务了，但是还有很多事情不得不做，只能是抓紧时间再抓紧时间了。 2.TASK FORMULATION 文章首先介绍了CKG（collaborative knowledge graph，就是figure 1介绍的结构），还强调了节点时间的high-order关系以及组成关系
论文阅读 KGAT: Knowledge Graph Attention Network for Recommendation
木东的博客
02-25 1701
在这里插入图片描述 1. Motivation 如何将side information和用户-物品二部图考虑在一起给用户提供准确、多样和可解释的推荐是非常有必要的。目前基于CF的方法并不能很好的对用户和物品的side information进行建模，这样就不可避免的面临数据稀疏性的问题。工业界的解决办法是使用监督学习模型，比如FM，NFM，wide&deep等方法去将用户物品的所有sid...
细粒度分析--RACNN
丝萝愿为乔木的博客
08-24 2324
论文：https://ieeexplore.ieee.org/document/8099959 代码：https://github.com/11-626/RA-CNN CVPR2017的Oral文章。 概述：在multiple scales上，以类似cascade network的形式使得网络相互增强学习，进行基于region 的特征表达。 横向：传统vgg分类网络，用来classificati...
long-tail relation extraction via knowledge graph embeddings and graph convo
04-29
本篇论文研究了如何通过知识图谱嵌入和图卷积来实现长尾关系抽取。 长尾关系是指那些在语料库中出现次数很少的关系。这些关系往往被忽略，但它们对于知识图谱来说是非常重要的，在很多实际应用中也非常有用，比如医疗、金融等。 为了解决这个问题，本篇论文提出了一个基于知识图谱嵌入和图卷积的方法。具体来说，该方法将知识图谱表示为一个低维向量空间，并使用图卷积对其进行表示学习。然后，该方法使用一些先验知识来选择相关的实体和关系对，并将其作为输入，从而训练一个模型来预测它们之间的关系。最终，该方法通过反向传播来优化模型的参数，以提高预测准确度。 实验结果表明，所提出的方法在长尾关系抽取任务方面表现比其他基线方法要好。此外，本文章所提出的整个框架也可以广泛应用于其他知识图谱相关的任务，包括实体识别、实体链接等等。 综上所述，该方法在长尾关系抽取方面提供了一个有效的解决方案，同时也为其他知识图谱相关任务提供了有用的思路和参考。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值