RE
文章平均质量分 93
关系抽取类论文
hithithithithit
王牌飞行员会损失约11架战机。
展开
-
Prompt for Extraction? PAIE:Prompting Arguement Interaction for Event Argument Extraction
本文提出了一个有效且效率高的模型PAIE用于句子级和文档级事件要素/论元抽取(EAE),同时其在少样本的情况下的泛化性很好。本文使用了两个片段选择器去选择开始和结束位置的token,而且通过多角色prompts抓住了论元之间的交互关系并且通过bipartitematchingloss进行具有最优跨度分配的联合优化。此外,PAIE可以提出具有相同角色的多个参数,而不是传统的启发式的阈值调优。.........原创 2022-08-01 16:02:32 · 1129 阅读 · 0 评论 -
关系抽取论文阅读笔记
标记方案(Tagging Scheme)本文使用了联合抽取的方法,使用了标记策略对实体和关系进行抽取。本方法分为两个阶段,第一个阶段抽取头实体(HE),第二个阶段抽取尾实体和关系(TER)。作者将第一个阶段的头实体抽取分解成两个独立的子任务,第一个任务标注HE的第一个词,第二个任务标注HE的最后一个词。对于已经抽取出来的HE,对其进行尾实体(TE)和对应关系抽取。例如下图,对于抽取出来了的实体“Trump”,我们对其进行尾实体和关系类型抽取,这一阶段本质上类似于命名实体识别,即第一阶段。这里可以注意到已经解原创 2022-07-05 11:17:36 · 591 阅读 · 0 评论 -
基于深度学习的关系抽取
介绍关系抽取[1][2]旨在从给定的自然语言文本抽取出实体类型和关系类型的三元组(主体,客体,关系类型)。其中,关系抽取可以为知识图谱的自动构建[3]、搜索引擎、问答等下游任务提供支撑。方法在关系抽取的过程中,一般的解决方式是将关系抽取分为命名实体识别[4][5]和关系分类[6][7]两个子任务,即先从给定的文本中识别出所有的实体,然后对识别出的实体进行关系分类,这种方法也叫做流水线[8][9][10]方法。这种方法存在着许多的弊端,实体模块预测出来的错误会传递到下一模块,导致关系模块发生预测错误,被称为级原创 2022-07-02 21:54:28 · 1752 阅读 · 0 评论 -
TPLinker: Single-stage Joint Extraction of Entities and Relations Through Token Pair Linking
写作动机(Movitation):相关工作(Related Work):提出的方法(Methods):使用的技术(Techniques):遇到的困难(Difficulties):实验结果(Results):做出的贡献(Contributions):未来展望(Future Work):...原创 2022-05-27 17:25:26 · 1015 阅读 · 0 评论 -
PURE(A Frustratingly Easy Approach for Entity and Relation Extraction)
写作动机(Movitation):任务定义(Task Definition):相关工作(Related Work):提出的方法(Methods):使用的技术(Techniques):遇到的困难(Difficulties):实验结果(Results):做出的贡献(Contributions):未来展望(Future Work):...原创 2022-05-25 23:28:00 · 977 阅读 · 0 评论 -
Document-Level Relation Extraction with Adaptive Focal Loss and Knowledge Distillation
作者: Qingyu Tan∗1,2 Ruidan He†1 Lidong Bing1 Hwee Tou Ng2单位:1DAMO Academy, Alibaba Group;2Department of Computer Science, National University of Singapore通讯地址:{qingyu.tan,ruidan.he,l.bing}@alibaba-inc.com;{qtan6,nght}@comp.nus.edu.sg发表会议:ACL2022Abst原创 2022-05-04 21:58:06 · 1181 阅读 · 0 评论 -
Text-to-Table: A New Way of Information Extraction
作者:Xueqing Wu1, Jiacheng Zhang2, Hang Li2单位:University of Illinois Urbana-Champaign1,ByteDance AI Lab2通讯地址:xueqing8@illinois.edu,zhangjiacheng.grit,lihang.lh@bytedance.com发表会议:ACL2022源码链接:GitHub - shirley-wu/text_to_table个人想法:这里的Table与之前的(22条消息)原创 2022-04-28 22:57:10 · 2206 阅读 · 6 评论 -
Unified Structure Generation for Universal Information Extraction
一、什么是注意力机制我们对输入的多个值,这些值本身带有的属性称之为(理解的时候可参考数据库中的),进行查询(即有自主性的选择,例如倾向于选择更大的值),然后对中的值进行选择得到了最符合的一个值。通俗理解来说就是通过和之间的交互形成了注意力汇聚,注意力对进行选择得到一个输出。注意上文我们提出的注意力汇聚这个词,在某些情况下,我们直接用注意力汇聚这个名词代表q,k之间地交互。二、注意力汇聚1.平均注意力汇聚:我们有这组训练数据,在预测时对所有的预测值做对训练集中的y做平均值计算。即:原创 2022-04-21 15:40:20 · 2548 阅读 · 0 评论 -
UNIRE:A Unified Label Space for Entity Relation Extraction
AbstractMany joint entity relation extraction models setup two separated label spaces for the two sub-tasks (i.e., entity detection and relation classification). We argue that this setting may hinder the information interaction between entities and relat原创 2022-04-08 23:21:11 · 769 阅读 · 0 评论 -
OneRel: Joint Entity and Relation Extraction with One Module in One Step
Abstract为了解决以往联合抽取方法的导致的级联错误和信息冗余。本文提出了一种新的模型OneRel,将联合抽取转换为一个细粒度的三分类(即关系抽取的主体,关系类型,客体)问题。具体来说,我们的模型包括一个基于评分的分类器和一个针对特定关系的角标记策略。前者评估一个标记对和一个关系是否属于一个事实三元组。后者保证了一个简单而有效的解码过程。Introduction由于Pipline的方法忽略了实体抽取和关系抽取之间的交互,可能会导致出现错误传播问题。为了更好地开展复杂任务,我们通常将联合抽取分原创 2022-04-08 22:26:41 · 3489 阅读 · 5 评论 -
KnowPrompt:Knowledge-aware Prompt-tuning with Synergistic Optimization for Relation Extraction
AbstractPrompt-tuning 的核心思想就是将文本块(text pieces)插入到输入中并且将一个分类问题转换成一个掩码语言模型问题。在关系抽取任务中,决定一个合适的prompt模板需要大量的领域知识,并且很难有一个合适的label word。此外,在实体和关系之间存在着大量的语义知识。为此作者提出了一个基于协同优化的知识感知的即时优化方法,这种方法着重将知识插入到prompt-tuning。具体而言就是把实体知识和关系知识注入到具有可学习虚拟模板和回答词的Prompt 构造中,并在知识原创 2022-01-11 23:28:28 · 2577 阅读 · 4 评论