![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文综述
文章平均质量分 93
泤燃
人生苦短,及时行乐
展开
-
论文综述——Entity-centered Cross-document Relation Extraction
什么是关系抽取(RE)?以往的研究:从同一文本中抽取出的两个实体,分别作为头实体 (Peter Kappesser) 和尾实体 (U.S.) ,然后判别这两个实体之间是效忠关系 (allegiance)。表现形式: (head entity, relation, tail entity) ——> e.g. (Peter Kappesser, allegiance, U.S.)原创 2023-07-03 20:34:10 · 405 阅读 · 0 评论 -
论文综述——DORE: Document Ordered Relation Extraction based on Generative Framework
以往的研究中采用的生成范式是直接生成出对应的词组(lexicon 生成范式),但此类方法不能很好的适应文档级关系抽取。所以现有的生成式文档级关系抽取方法表现不佳,并不是模型能力不足,而是模型训练的范式不足导致的,因此作者提出DORE范式。缺点:失去关系间的部分依赖。如图所示,将所有的实例建模成关系矩阵,其中关系矩阵中的每一个单元格 (i, j) 对应一对实体对 (e_i,e_j) ,计算每种关系的条件概率。关系矩阵:以表填充作为核心解决方式,按照实体出现在文本中的顺序生成关系矩阵,单元格内填充关系。原创 2023-04-25 13:40:43 · 610 阅读 · 1 评论 -
论文综述——UNIRE: A Unified Label Space for Entity Relation Extraction
过构建标签空间来对实体和关系进行联合抽取的方法。实体关系抽取旨在提取文本中的实体并检测它们的实体类型,以及对每个实体对检测它们的关系。作者提出了一种统一标签空间的联合抽取方法——填表法,主要是将实体检测和关系抽取两个子任务放在同一个标签空间中进行处理。针对该方法,提出了一种对应的联合解码算法(Joint Decoding Algorithm),解码出表中的实体和关系。图中词对关系表。将文本表示为二维表结构,它具有更强的表示能力,能将所有的实体和关系都在这张表中完整得表示出来。原创 2023-01-02 10:04:51 · 634 阅读 · 0 评论 -
论文综述——MapRE: An Effective Semantic Mapping Approach for Low-resource Relation Extraction
关系抽取(Relation Extraction, RE)是自然语言处理中的一项基本任务,它旨在发现一个句子中两个实体之间的正确关系。RE问题通常被视为在大规模标注数据上的有监督分类问题。它的缺点是随着关系实例数量的减少,模型性能急剧下降。RE问题经常存在数据不足问题,以往的方法是远程监督(distant supervision)将已有的知识库对应到丰富的非结构化文本数据中,从而生成大量的训练数据,以便训练出一个效果不错的关系抽取器。原创 2023-01-02 09:34:51 · 275 阅读 · 0 评论 -
论文综述——Event-Event Relation Extraction using Probabilistic Box Embedding
事件关系抽取:文本中包含多个事件e1,e2,…,en,识别每个事件对(ei,ej)之间的关系r(ei,ej)子事件(Subevent)关系抽取:{PARENT-CHILD, CHILD-PARENT, COREF, NOREL}事件时序(Temporal)关系抽取:{BEFORE, AFTER, EQUAL, VAGUE}主流的方法都是采用Vector-based的方法,将文本和所有类别标签表征成向量,然后采用Multi-class Classification的方法逐个判断是否属于某个关系类型。原创 2023-01-02 08:55:01 · 925 阅读 · 0 评论 -
论文综述——TEXT2EVENT: Controllable Sequence-to-Structure Generation for End-to-end Event Extraction
这篇文章主要是介绍提出了一个统一抽取模型,目的是使用单一架构解决不同的信息抽取的任务,所以就提出了这篇文章核心内容:序列到结构网络。对于网络的输出,还提出了按需解码控制特定任务或场景设定下的抽取目标,这一部分就是后面会提到的按需可控生成,使用事件Schema来约束生成空间,这样对于不同的任务不需要改变模型,比如说想要用这个模型训练我们的医疗数据,直接把医疗事件的schema注入进去就可以了。提出该任务还有一个更重要的目的就是想要低成本,也就是低资源学习。原创 2022-12-31 16:49:29 · 714 阅读 · 2 评论 -
论文综述——Unified Structure Generation for Universal Information Extraction
提出了一个统一的text-to-structure的生成框架UIE。设计了结构化抽取语言SEL和结构化模式指导器SSI指导模型对不同的任务生成不同的结构。UIE在监督环境和低资源环境下都取得了非常具有竞争力的性能。原创 2022-12-14 20:49:35 · 1145 阅读 · 0 评论