![](https://img-blog.csdnimg.cn/20190723162102781.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
NLP知识图谱论文笔记
记录自己看过的知识图谱方向的论文笔记,欢迎交流,一起进步~
Chevalier~
这个作者很懒,什么都没留下…
展开
-
实体关系的联合抽取总结
实体关系的联合抽取总结2014Incremental Joint Extraction of Entity Mentions and Relations. ACL (1) 2014:动机:方法:基于特征工程的结构化系统问题:需要设计复杂的特征工程,严重依赖于NLP工具,这可能会导致错误传播问题。Modeling Joint Entity and Relation Extraction ...原创 2019-04-19 17:42:10 · 6347 阅读 · 2 评论 -
Relation Classification via Convolutional Deep Neural Network【论文笔记】
一、Background 关系分类的任务是预测名词对之间的语义关系,可以定义如下:给定一个句子S和名词对e1e_1e1和e2e_2e2,我们旨在识别e1e_1e1和e2e_2e2的关系。对自动关系分类有相当大的兴趣,无论是作为目的本身还是作为各种NLP应用程序的中间步骤。 最具代表性的关系分类方法使用监督学习算法:已经证明这些方法是有效的并且产生相对高的性能。监督方法可以进一步分为...原创 2019-07-03 09:48:52 · 238 阅读 · 0 评论 -
Deep Residual Learning for Weakly-Supervised Relation Extraction【论文笔记’】
一、Introduction 关系抽取任务是在句子中预测实体的关系和属性。关系抽取是构建关系知识图谱的关键部分,对NLP应用也至关重要,比如结构化搜索、情感分析、问答和摘要等等。 关系抽取的一个主要难点就是缺少大量标注数据。远程监督大放异彩,解决了这个问题,它利用知识库的事实来对无标签数据进行标注。在远程监督的所有机器学习方法中,最近提出的CNN模型实现了STOA的效果。紧接着,Zeng ...原创 2019-07-03 09:49:07 · 329 阅读 · 0 评论 -
基于深度学习的关系抽取综述
论文:https://arxiv.org/pdf/1705.03645.pdf一、介绍 信息抽取是NLP的一个基本任务,从非结构化文本中抽取机器或程序能够理解的结构化知识。原创 2019-07-03 09:49:30 · 954 阅读 · 1 评论 -
Joint Extraction of Entities and Relations Based on a Novel Graph Scheme【论文笔记】
一、Introduction 实体和关系的抽取是信息抽取的一项基本任务。例子如图一所示,输入是非结构化文本,输出是实体以及实体之间的关系。实体与关系之间又很强的依赖关系,关系与关系之间也是如此。比如已知“Live_In” 关系,那么其关联的实体类型分别是Person和Location,反之亦然。并且,(John,Live_In,California)的关系可以通过(John,Live_In,L...原创 2019-07-03 09:50:42 · 457 阅读 · 0 评论 -
Going out on a limb:Joint Extraction of Entity Mentions and Relations without Dependency Trees【论文笔记】
一、Background 从文本中抽取实体及其关系是NLP中的一种结构化预测任务,比如细粒度观点挖掘,语义角色标注等等。 一些方法被提出用于抽取实体及其关系。这些方法可以被分为两类:pipeline的方法和joint models。联合模型的性能要优于pipeline的方法,因为关系类型的信息能辅助实体抽取,反之亦然。 RNN是序列标注的常用模型。但是,RNN在识别句子中非相邻的单词之...原创 2019-07-03 09:49:52 · 448 阅读 · 0 评论 -
关系抽取相关资料
实体关系抽取 entity relation extraction 文献阅读总结:https://www.cnblogs.com/theodoric008/p/7874373.html基于深度学习的关系抽取:http://www.cipsc.org.cn/qngw/?p=890http://www.aclweb.org/anthology/P/P16/P16-2034.pdf...原创 2019-03-26 15:47:45 · 205 阅读 · 1 评论 -
End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures【论文笔记】
一、Background 抽取实体之间的语义关系是信息抽取和NLP中一项很重要且经过充分研究的任务。传统的方法将这个任务以pipeline的方式分为两个子任务:NER和RE。但最近的研究表明端到端的联合抽取模型能取得更好的性能,因为实体与关系密切相关。之前的联合抽取模型大多采用基于特征的结构化学习。另一种方法是基于端到端的神经网络模型自动学习特征。 存在两种通过神经网络表示实体间关系的方法...原创 2019-07-03 09:50:51 · 557 阅读 · 0 评论 -
Attending to Characters in Neural Sequence Labeling Models【论文笔记】
一、Background 很多NLP任务,比如命名实体识别、词性标注、浅层解析都可以当做是序列标注问题。因此,开发准确和有效的序列标记模型对于广泛的下游应用是有用的。传统的方法设计了很多任务明确的特征——在NER中集成gazetteers,在词性标注中使用形态分析器的特征。最近神经网络架构和表示学习的发展使得模型可以从数据中自动学习有用的特征。二、Motivation 当前的神经网络模型...原创 2019-07-03 09:51:03 · 496 阅读 · 0 评论 -
Adversarial training for multi-context joint entity and relation extraction【论文笔记】
一、Background 最近许多神经网络方法在各种自然语言处理(NLP)任务中大展身手,比如语义解析、POS、关系抽取、翻译。然而,Szegedy et al.(2014)观察到对这些模型的输入的有意的小规模扰动(比如,对抗性的例子)可能导致不正确的决定(高置信度)。Goodfellow et al.(2015)提出的对抗训练(AT)(用于图像识别)作为正则化方法,其使用清洗和对抗性示例的混...原创 2019-07-03 09:51:31 · 300 阅读 · 0 评论 -
Joint entity recognition and relation extraction as a multi-head selection problem【论文笔记】
一、Background 实体识别和关系提取的目标是从非结构化文本中发现实体提及的关系结构。传统的方法是以pipeline的方式分离两个子任务:NER和RE。这有两个缺点:错误传播和没有利用到关联信息。然后就开始做联合抽取的工作。刚开始的联合抽取依赖于手工特征;然后神经网络的兴起缓解了这个问题,但是一些工作依赖于外部工具。注意,上述工作检查关系提取的实体对,而不是直接对整个句子建模。这意味着不...原创 2019-07-03 09:51:45 · 1025 阅读 · 0 评论 -
Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme【论文笔记】
一、Background 实体和关系的联合抽取是从非结构化文本中同时抽取提到的实体以及实体之间的关系。如图一所示。与开放域的信息抽取不同,从给定句子中抽取关系词;而在这个任务中, 关系词来源于预定义好的关系集中,可能在句子中并没有直接出现,是隐含关系,需要模型挖掘出来。 传统的方法是pipeline做的:首先抽取实体然后识别它们的关系。这种分离的框架使得任务更容易处理,每个组件也变得更灵活...原创 2019-07-03 09:50:16 · 599 阅读 · 3 评论 -
Global Normalization of Convolutional Neural Networks for Joint Entity and Relation Classification
一、Background 命名实体分类(EC)和关系抽取(RE)在NLP中是热点话题。他们是相关的,但是大多数方法都是pipeline的,先进行NER,然后RE。然而,命名实体类型和关系通常是相互依赖的。如果已知实体类型,则可以减少他们之间可能关系的搜索空间,反之亦然。比如,‘Mercedes’,可能是一个人名,组织名,地名,如果上下文中存在‘live_in’关系,那么‘Mercedes’就是...原创 2019-07-03 09:51:58 · 329 阅读 · 0 评论 -
Joint entity and relation extraction based on a hybrid neural network【论文笔记】
一、Background 实体和关系抽取是从文本中抽取命名实体以及识别实体之间的语义关系。传统的系统是以流水线的方法执行这两个任务:首先进行命名实体识别,然后关系抽取。这种分离的框架使得处理两个任务的方式比较灵活性,但是却忽略了彼此的相关性。联合学习框架是关联NER和RC的有效方法,同时可以避免级联错误。但是目前现有的大多数系统都是基于特征工程的,需要花费大量人力时间构建特征。为了减少人工特征...原创 2019-07-03 09:52:09 · 587 阅读 · 1 评论 -
Neural Architectures for Named Entity Recognition【论文笔记】
一、Background原创 2019-07-03 09:52:17 · 499 阅读 · 0 评论 -
Bidirectional LSTM-CRF Models for Sequence Tagging【论文笔记】
一、摘要 本文中,我们介绍了序列标注上各种基于LSTM的模型,LSTM模型、双向LSTM模型、LSTM+CRF、BiLSTM+CRF。我们的工作是第一个在序列标注数据集上使用BiLSTM+CRF模型。BiLSTM-CRF模型通过双向LSTM有效地捕捉到了输入的过去和未来特征。它也可以通过CRF层使用到句子级的标记信息。BiLSTM-CRF在POS、分块、NER数据集上都取得了state-of-...原创 2019-07-22 14:55:46 · 890 阅读 · 0 评论 -
Chinese NER Using Lattice LSTM【论文笔记】
一、摘要 作者在中文的NER任务上提出了一个新颖的lattice-structured LSTM,编码输入字符序列和所有与词库匹配的潜在词语。与基于字符的方法相比,我们的模型明确地利用了单词和单词序列信息。与基于单词的方法相比,lattice LSTM不会受到分词错误的影响。门控循环神经元允许模型选择最相关的字符和单词,以此得到更好的结果。在各种数据集的实验表明,与基于字符和单词的方法相比,l...原创 2019-07-22 14:55:56 · 613 阅读 · 1 评论