![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
关系抽取
叶落叶子
这个作者很懒,什么都没留下…
展开
-
【ACL2020】Reasoning with Latent Structure Refinement for Document-Level Relation Extraction
1. 问题句间关系很多约等于文档级关系抽取文档级关系抽取句子间关系多生物医药领域尤其多需求/困难整合同一文档不同句子间的信息处理句间实体复杂的交互2.相关工作文档级别关系抽取结论:实体mention之间的交互促进推理过程(文档级关系抽取中)因而使用MILMILVerge2018,Jia2019缺点:* 无法捕捉丰富的非局部交互使用结构信息获取更好的推理优点:可以捕捉到非局部依赖整合不同句子的信息构建静态的文档级原创 2020-11-05 21:01:34 · 930 阅读 · 0 评论 -
【ACL2020】Relabel the Noise: Joint Extraction of Entities and Relations via Cooperative Multiagents
文章目录1.本文问题2.方法3.用于4. 结论1.本文问题解决问题:去噪shifted label distribution普遍存在此问题,但大家都不解决,只着重于抛弃噪声实例远程监督标记的噪声数据(KB)和人类标注的测试集分布不同pipelinepipeline会增加噪声的传递–传递错误2.方法本文方法:多智能体合作重新标注噪声实例的联合模型细粒度地处理原来:舍弃或留下,二选一,仅对FP本文:分配置信度,重新标记选择目标:噪声实例输入K原创 2020-11-05 10:47:10 · 1012 阅读 · 0 评论 -
{ACL2020}In Layman’s Terms: Semi-Open Relation Extraction from Scientific Texts(关系抽取,半开放关系抽取)
半开放关系抽取用FOBIE训练一个narrow IE训练一个OpenIE用narrowIE矫正OpenIE1.Introduction标注困难、跨领域标注更难TRADE-OFF relations随着干燥度的增加,木质部的安全性增加和效率降低的广泛模式是明显的,有一些证据表明在针叶树种或个体之间存在安全-效率的权衡trade-off是中心思想/核心关系,帮助过滤无关的OpenIE的提取由核心关系的arg作为锚点,进一步探索到相关的概念和关系无关的概念,就不会被提.原创 2020-10-27 16:50:05 · 654 阅读 · 0 评论 -
[ACL2020]Generalizing Natural Language Analysis through Span-relation Representations
文章目录1 介绍2 span-relation representations2.1未涉及句子级任务3.span-relation model3.1 span representation3.2 span and relation label prediction3.3 应用到不同任务3.5 多任务学习MTL4 GLAD Benchmark基准 and Results4.1 实验4.2 证明通用模型有效1 介绍nlp任务span标记span之间的关系标记希望用统一的框架处理nlp任务原创 2020-10-26 09:53:31 · 361 阅读 · 1 评论 -
Exploiting the Syntax-Model Consistency for Neural Relation Extraction(关系抽取,语法模型,跨领域关系抽取
文章目录1.Introductiony参考文献引入语法依赖树是有用的:语法对于关系抽取有意依赖树–>直接用于构建模型结构或者,多任务学习(词对的依赖关系和语义关系RE两个任务)获得词法信息缺点:缺乏句法结构之外的泛化:泛化性能差对RE重要的词没有被捕获本文的方案将词法信息引入模型利用依赖树—>给对RE重要的词高分数(重要性分数)—给每一个词打分做法ON-LSTM:获得每个词在RE中的重要性语法的分数让上面两个分数一致1.Intro原创 2020-10-15 20:13:41 · 955 阅读 · 0 评论 -
CASREL:A Novel Cascade Binary Tagging Framework for Relational Triple Extraction(关系抽取,ACL2020,重叠关系)
1.介绍做重叠关系的少重叠关系:Zeng et al. (2018) :seq2seq+强化学习改善提取顺序Fu et al. (2019):(GraphRel)GCNs将文本建模为关系图以前的做法将关系当做离散的标签分配给实体对—这个做法对机器学习来说很难问题类别分布不平衡多数提取出来的实体对之间无关系同一实体参与多个有效关系(重叠三元组),分类器可能会混淆如果没有足够的训练样例,分类器难以区分(!!有的多标签分类难以工作就是因为这个)改原创 2020-09-20 23:57:27 · 3678 阅读 · 0 评论 -
19-A Walk-based Model on Entity Graphs for Relation Extraction(句内多对,多关系,多元,2018ACL
文章目录abstract1.introduction2 Proposed Walk-based Model2.1 嵌入层2.2 Bidirectional LSTM Layer2.3 Edge Representation LayerChristopoulou, F., et al. (2018). A Walk-based Model on Entity Graphs for Relation...原创 2020-03-15 16:47:44 · 283 阅读 · 0 评论 -
文献阅读课17-利用实体BIO标签嵌入和多任务学习进行不平衡数据关系提取,一个句子多关系多实体,ACL2019
文章目录abstract1 Introduction2. Proposed Approach3.实验3.1数据准备3.2 Experiment Settings3.4 分析3.4.1 BIO embedding3.4.2 Effect of Positive/Negative Instance Ratio3.4.3 Effect of Loss Function w/o Multi-tasking...原创 2020-03-11 17:49:05 · 1802 阅读 · 0 评论 -
文献阅读课16-J-REED: Joint Relation Extraction and Entity Disambiguation,关系抽取实体消歧联合模型,概率图CRF,2017
文章目录abstract1. INTRODUCTION & RELATED WORKNguyen, D. B., et al. (2017). J-REED: Joint Relation Extraction and Entity Disambiguation. Proceedings of the 2017 ACM on Conference on Information and K...原创 2020-03-10 23:42:51 · 592 阅读 · 0 评论 -
文献阅读课14-DIAG-NRE: A Neural Pattern Diagnosis Framework for远程监督关系抽取,模式标注去噪自动化,FN,FP,RL
基于模式的标记方法在减轻远距离监督神经关系提取中不可避免的标记噪声方面取得了可喜的成果。但是,这些方法需要大量的专家工作来编写关系特定的模式,这使得它们过于复杂而无法快速推广。为了减轻模式编写的劳动密集型工作量并快速将其推广到新的关系类型,我们提出了一种神经模式诊断框架DIAG-NRE,该框架可以与专家在回路中自动从噪声数据中总结和改进高质量的关系模式。 。为了证明DIAG-NRE的有效性,我们将其应用于两个真实世界的数据集,并提出了对现有技术方法的重大和可解释的改进。原创 2020-03-07 18:24:20 · 1440 阅读 · 0 评论 -
文献阅读课13-DSGAN: Generative Adversarial Training for (远程监督关系抽取,句子级去噪)
远程监督可以有效地标记关系提取的数据,但是受到噪声标记问题的困扰。最近的作品主要执行软袋级降噪策略,以找到句子包中相对较好的样本,与在句子级别做出假阳性样本的硬判决相比,这是次优的。在本文中,我们介绍了一个名为DSGAN的对抗性学习框架,用于学习一个句子级的真正生成器。受Generative Adversarial Networks的启发,我们将生成器生成的正样本视为负样本来训练鉴别器。获得最佳发生器,直到鉴别器的辨别能力下降最大。我们采用生成器来过滤远程监督训练数据集,并将误报实例重新分配到负集中,从而为原创 2020-03-05 22:20:28 · 2536 阅读 · 1 评论 -
文献阅读课10-Neural Relation Extraction for Knowledge Base Enrichment(提取+嵌入+消歧+规范化联合模型,实体已知,仅关系抽取,多词实体)
我们研究知识库(KB)丰富化的关系提取。具体来说,我们旨在以三元组的形式从句子中提取实体及其关系,并以端到端的方式将提取的三元组的元素映射到现有的知识库。先前的研究集中于提取本身,并依靠命名实体消歧(NED)将三元组映射到KB空间。这样,NED错误可能会导致提取错误,从而影响整体精度和召回率。为了解决这个问题,我们提出了一种基于神经编码器-解码器模型的知识库丰富的端到端关系提取模型。我们通过远程监控与共参考分辨率和复述检测来收集高质量的培训数据。我们提出了一种基于n元语法的注意力模型,该模型捕获句子中的多词原创 2020-02-24 20:20:30 · 3187 阅读 · 0 评论 -
论文阅读9-Fine-tuning Pre-Trained Transformer Language Models to(远程监督关系抽取,ACL2019,GPT,长尾关系,DISTRE)
文章目录abstrac1.Introduction2 Transformer Language Model2.1 Transformer-Decoder2.2 Unsupervised Pre-training of Language Representations3 Multi-Instance Learning with the Transformer3.1 Distantly Supervi...原创 2020-02-23 18:24:21 · 1914 阅读 · 2 评论 -
论文阅读课8-Chinese Relation Extraction with Multi-Grained Information and External Linguistic Knowledge
中文关系提取是使用具有基于字符或基于字的输入的神经网络进行的,并且大多数现有方法通常遭受分段错误和多义性的模糊性。为了解决这些问题,我们提出了一种用于中文关系提取的多粒度点阵框架(MG点阵),以利用多粒度语言信息和外部语言知识。在这个框架中,(1)我们将字级信息合并到字符序列输入中,以便可以避免分段错误。 (2)借助外部语言知识,我们还对多义词的多重感知进行建模,以减轻多义歧义。与其他基线相比,在不同域中的三个真实世界数据集上的实验显示了我们模型的一致且显着的优越性和稳健性。原创 2020-02-22 18:49:42 · 1210 阅读 · 0 评论 -
论文阅读课7-使用句子级注意力机制结合实体描述的远程监督关系抽取(APCNN+D)2017
文章目录abstract1. Introduction2.方法Ji, G., et al. (2017). Distant Supervision for Relation Extraction with Sentence-Level Attention and Entity Descriptions. Proceedings of the Thirty-First AAAI Conferenc...原创 2020-02-19 17:25:40 · 2528 阅读 · 1 评论 -
论文阅读课5-DocRED: A Large-Scale Document-Level Relation Extraction Dataset(大规模文档集关系提取数据集
文章目录abstract1.Introduction2.数据收集3.数据分析4.基线设置5.实验Yao, Y., et al. (2019). DocRED A Large-Scale Document-Level Relation Extraction Dataset. Proceedings of the 57th Annual Meeting ofthe Association for C...原创 2020-02-16 18:34:41 · 1725 阅读 · 0 评论 -
论文阅读课4-Long-tail Relation Extraction via Knowledge Graph Embeddings(GCN,关系抽取,2019,远程监督,少样本不平衡,2注意
文章目录abstract1.introduction2.相关工作2.1 关系提取2.2 KG embedding2.3 GCNN3. 方法3.1符号3.2框架3.2.1 Instance Encoder3.4 Relational Knowledge Learning through KG Embeddings and GCNs.3.5 knowledge-aware attention4.实...原创 2020-02-15 17:04:07 · 3367 阅读 · 0 评论 -
关系提取论文总结
文章目录1.模型总结1.2 dependency-based(基于依赖的)2.应用3.模型细说3.1 AGGCNs4.关系提取数据集4.1 句子级4.2 n-ary关系5.各种model的效果5.1 n-ary5.1.1 [PubMed](https://github.com/freesunshine0316/nary-grn) (Peng et al., 2017)5.2 句子级别5.2.1 T...原创 2020-02-12 21:53:34 · 2165 阅读 · 0 评论 -
论文阅读课2-Inter-sentence Relation Extraction with Document-level (GCNN,句间关系抽取,ACL2019
文章目录abstract1.introduction2.model2.1输入层2.2构造图2.3 GCNN层2.4MIL-based Relation Classification3.实验设置3.1 数据集3.2 数据预处理3.3 基线模型3.4 训练3.5结果4.相关工作4.1 句子间关系抽取4.2 GCNN5. 结论Sahu, S. K., et al. (2019). Inter-sent...原创 2020-02-13 16:25:55 · 1920 阅读 · 0 评论 -
论文阅读课1-Attention Guided Graph Convolutional Networks for Relation Extraction(关系抽取,图卷积,ACL2019,n元)
文章目录abstractGuo, Z., et al. (2019). Attention Guided Graph Convolutional Networks for Relation Extraction. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics.abs...原创 2020-02-12 16:56:34 · 3748 阅读 · 3 评论