论文记一记:Neural Relation Extraction with Selective Attention over Instances(Lin,2016,ACL)

本文提出了一种基于句子级别的注意力机制模型用于缓解远程监督中的错误标签问题。模型利用CNN编码句子,通过注意力机制动态调整实例权重,从而在多实例中选择相关关系的句子。实验结果显示,该模型在关系抽取任务上优于传统CNN和PCNN模型,证明了其全面获取实例信息的能力。
摘要由CSDN通过智能技术生成

本文提出了基于句子级别的注意力机制模型

主要内容:为缓解远程监督带来的错误标签问题,提出了基于句子级别的注意力机制模型。该模型使用CNN抽取句子的语义特征,然后在多实例上构建句子级别的注意力机制,即动态减少嘈杂实例的权重并全面的获取实例的信息。

本文的贡献

充分利用每对实体的所有信息句
提出选择性注意力机制来减弱杂音句的影响

该文是首次尝试将注意力机制应用到远程监督关系抽取领域

本文提出的模型包括两部分:

  1. 使用CNN对句子进行编码
  2. 在编码后的句子上使用注意力机制来选取表达了相应关系的句子

该论文的大致结构分为以下几部分:

一、句子编码:

使用CNN作为编码器,构造句子的分布式表示
在这里插入图片描述

  • 神经网络输入表示:使用word2vec训练词向量,结合位置向量一起作为神经网络的输入部分
  • 卷积:将卷积窗口(滤波器)与输入序列进行点积运算,卷积层的第i个滤波器得到的结果如下:
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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