文档级关系抽取论文阅读

已于 2022-03-28 16:21:04 修改
阅读量734 收藏 2
点赞数
文章标签： nlp
于 2022-03-23 21:57:56 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40875443/article/details/123662193
版权

浙江大学张宁豫研究员围绕“文档级关系抽取”这一主题，对抽取的背景、文档级关系抽取的难点与挑战进行介绍：添加链接描述
1. 《2021-IJCAI-Document-level Relation Extraction as Semantic Segmentation》
论文阅读：添加链接描述
在这里插入图片描述
研究动机：先前的基于graph或基于transformer的模型仅单独地使用实体对，而未考虑关系三元组之间的全局信息。本文创新性地提出DocuNet模型，首次将文档级关系抽取任务类比于计算机视觉中的语义分割任务。DocuNet模型利用编码器模块捕获实体的上下文信息，并采用U-shaped分割模块在image-style特征图上捕获三元组之间的全局相互依赖性，通过预测实体级关系矩阵来捕获local和global信息以增强文档级关系抽取。
2. 《2019-ACl-Inter-sentence Relation Extraction with Document-level
Graph Convolutional Neural Network》
论文阅读：添加链接描述
在这里插入图片描述
挑战：句子间关系提取处理文档中大量复杂的语义关系，这些关系需要局部、非局部、句法和语义的依赖关系。现有的方法没有充分利用这种依赖关系。
步骤：

  1. (2.1节)：对于每个word，根据每个word与最近的两个entity mention的位置，构建word表示
  2. 2.2节：构建word之间的5种连边
  3. 2.3节：从GCNN学习word表示
  4. 2.4节：构建head和tail的word表示，并构建relation score公式

3. 《 2019-NAACL-Document-Level N-ary Relation Extraction with Multiscale Representation Learning》
在这里插入图片描述
论文阅读：添加链接描述
4. 《2020-EMNLP-Global-to-Local Neural Networks for Document-Level Relation Extraction》
在这里插入图片描述
论文阅读1：添加链接描述
论文阅读2：添加链接描述
5. 《2020-PAKDD-HIN: Hierarchical Inference Network for Document-Level Relation Extraction》
论文还行，没具体看。
阅读链接：添加链接描述
在这里插入图片描述
6. 这篇博客总结了以下几篇论文：添加链接描述
6. 1《Graph Neural Networks with Generated Parameters for Relation Extraction》
在这里插入图片描述

6.2 《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》
在这里插入图片描述
6.3 《Connecting the Dots: Document-level Neural Relation Extraction with Edge-oriented Graphs》
在这里插入图片描述

6.4 《Reasoning with Latent Structure Refinement for Document-Level Relation Extraction》
在这里插入图片描述
6.5 《A General Framework for Information Extraction using Dynamic Span Graphs》

在这里插入图片描述

附加文档级事件抽取：添加链接描述

岳额不到五
关注
C.9 文档级关系抽取：基于结构先验产生注意力偏差SSAN模型
丨汀、的博客
10-24 927
目前文档级关系抽取有三个公开的学术的数据集，分别是 CDR、GDA 以及清华大学团队发布的 DocRED。CDR是生物领域的一个人工标注的一个数据集，其任务是预测化学和疾病概念之间的二元相互作用，包含了 500 多篇训练文章；（20MB）GDA也是一个生物医学领域的大规模数据集，其任务主要是预测基因和疾病概念之间的二元相互作用，由 2 万～3 万篇训练文档组成；相对而言，（568MB）DocRED是一个比较新的大规模的众包数据集。
文档级关系抽取
appllllllle的博客
07-14 343
与传统的基于单句的关系抽取数据集相比，不同之处在于，DocRED中超过40%的关系事实只能从多个句子中联合抽取，因此需要模型具备较强的获取和综合文章中信息的能力，尤其是抽取跨句关系的能力。图卷积神经网络是一个很好地在图结构上进行特征抽取的神经网络模型，在图网络上进行卷积，简单的说就是是用=邻接节点的特征，更新节点自己的向量表达，达到特征传递的目的。文档中的多个实体之间，往往存在复杂的相互关系。在使用图神经网络时，图的构造是关键的一个环节，根据是否需要区分图中边的类型，可以将图分为异质图和同质图。
文档级关系抽取《A sequence-to-sequence approach for document-level relation extraction》论文解读
jjikyour的博客
10-31 565
关系抽取中，许多关系会跨越句子边界，受这一事实的影响，文档级关系提取(DocRE)越来越受到关注。DocRE需要在句子内部和句子之间进行整合，捕捉实体提及之间的复杂交互。在本文中，我们开发了一种序列对序列(sequence-to-sequence, seq2rel)方法，它可以端到端地学习DocRE(实体提取、关联解析和关系提取)的子任务，取代了任务特定组件的管道。
DocuNet：文档级关系抽取的新视角与实现
最新发布
gitblog_00460的博客
08-20 302
DocuNet：文档级关系抽取的新视角与实现 DocuNet项目地址:https://gitcode.com/gh_mirrors/do/DocuNet 项目介绍 DocuNet 是一个创新性的模型，源自于论文《Document-level Relation Extraction as Semantic Segmentation》，该论文被IJCAI 2021主会议收录。此项目由zjunlp开...
文档级（Document-level）关系抽取（RE）目前的一些最新进展（海量论文，干货满满）
一个nlp探险者的博客
09-28 7276
0. 引言 摘要关系抽取是从纯文本中提取未知关系事实，并将其添加到知识图中，是自动构建大规模知识图的关键任务。 1. multi-task: NER+RE 1.1 Simultaneously Linking Entities and Extracting Relations from Biomedical Text Without Mention-level Supervision(AAAI 2020) 3. Document Level 3.1 ...
文档级关系抽取：QIUXP：DORE: Document Ordered Relation Extraction based on Generative Framework
Hekena的博客
12-03 499
文档级关系抽取是从整篇文档中抽取出三元组。更难，但也很有价值。 总的来说，我觉得还是可以的。也说明了在生成模式下，id相比于词组，尤其是在生成文本长度交汇处那个的情况下，id更有优势。利用生成模型范式解决文档级关系抽取问题，但文档相比于句子面向句子过长，target sentence定位不准确，可能还存在实体不确定位置的情形。一般的生成范式是直接生成出对应的词组，但这似乎不能很好的适应于文档级关系抽取。文章中提出，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。
论文小综 | 文档级关系抽取方法（下）
开放知识图谱
04-10 2327
本文作者：陈想，浙江大学在读博士，研究方向为自然语言处理张宁豫，浙江大学助理研究员，研究方向为自然语言处理、知识表示与推理这篇推文是文档级关系抽取方法的第二部分，前面的部分请移步推文“论文...
文档级关系抽取-论文阅读：Entity Structure Within and Throughout
Ming_LQ的博客
07-16 849
Entity Structure Within and Throughout: Modeling Mention Dependencies for Document-Level Relation1 论文动机2 论文贡献3 方法3.1 实体结构3.2 SSAN3.3 变换模块总结 这次阅读的论文是做文档级关系抽取任务的，发表于AAAI2021，作者来自于中国科学技术大学。目前主流的文档级关系抽取方法是构造文档级别的图，然后利用图学习的方法如图卷积、图注意力等获得实体结构特征用于关系抽取。但是这篇论文虽然也用了
文档级关系抽取小结及论文阅读：Document-Level Relation Extraction with Reconstruction
Ming_LQ的博客
07-06 1484
Document-Level Relation Extraction with Reconstruction一、背景介绍二、相关工作1、Attention Guided Graph Convolutional Networks for Relation Extraction2、Inter-sentence Relation Extraction with Document-level Graph Convolutional Neural Network3、Connecting the Dots: Docum
​达摩院文档级关系抽取新数据集和五元组抽取新任务
Paper weekly
11-30 1134
©PaperWeekly 原创 ·作者 | 邴立东、谭清宇等单位 | Alibaba DAMO, NUS, SUTD关系抽取（RE）是 NLP 的核心任务之一，是构建知识库、事件抽取等下游应用的关键技术。多年来受到研究者的持续关注。本文将介绍达摩院语言实验室多语言 NLP 算法团队的两篇 EMNLP 2022 主会论文。第一篇论文针对文档级关系抽取任务中普遍存在的假负类样本（False Nega...
EMNLP2020文档级关系抽取模型GAIN 论文Double Graph Based Reasoning for Document-level Relation Extraction
CycloneKid的博客
11-13 1920
前言 这是EMNLP2020一篇文档级关系抽取的论文，代码链接 https://github.com/DreamInvoker/GAIN，其性能相较ACL2020中的文档级关系抽取模型LSR有一定的提升，其能够有提升的主要原因在于两点：1）构建了异质图并使用了R-GCN进行特征传播，相较之前一些构建同质图然后做特征传播的模型，使用异质图可以融合更复杂的特征；2）增加了关系推理层，构建了一个实体图做关系推理。 1.摘要 文档级关系抽取的目的是提取文档中实体之间的关系。不同于句子层次的关系抽取，文档需要对文档中
文档级关系抽取介绍
matlabjenny的博客
04-09 3113
** 0、数据集介绍 ** 文档级关系抽取的数据集有DocRED、SCIREX、CDR、GDR。 GDA是生物医学领域的一个大规模数据集，它包含29192篇文档以供训练，其任务是预测基因和疾病概念之间的二元相互作用。 CDR是生物医学领域的人类标注的化学疾病关系抽取数据集，由500份文档组成，该数据集的任务是预测化学和疾病概念之间的二元相互作用关系。 SCIREX数据集是发表在ACL2020上的《SCIREX: A Challenge Dataset for Document-Level Informati
文档级关系抽取：基于结构先验产生注意力偏差SSAN模型
datayx的文章
03-08 314
向AI转型的程序员都关注了这个号????????????Entity Structure Within and Throughout: Modeling Mention Dependencies for Document-Level Relation Extraction实体作为关系抽取任务的基本要素，具有一定的结构。在这项工作中，将这种结构表述为提及对之间的独特依赖关系。提出了SSAN (Structured S...
文档级关系抽取方法总结
CycloneKid的博客
07-20 7588
文章目录文档级关系抽取将关系抽取由句子级扩展到文档级的原因文档级关系抽取数据集DocRED图神经网络图网络结构的分类GCNGP-GNNGraphRelGCNNEoGLSRDyGIE/DyGIE++ 文档级关系抽取 将关系抽取由句子级扩展到文档级的原因 目前大多数关系抽取方法抽取单个实体对在某个句子内反映的关系，在实践中受到不可避免的限制：在真实场景中，大量的关系事实是以多个句子表达的。文档中的多个实体之间，往往存在复杂的相互关系。 以下图为例，就包括了文章中的两个关系事实（这是从文档标注的19个关系事实中采
【论文解读】Document-Level Relation Extraction with Adaptive Focal Loss and Knowledge Distillation
Queen_sy的博客
04-07 687
其中是二元标签值0或者1，是属于标签值的概率。可以轻易地分析出来，当标签值时，；当标签值时，。也就是说，在二元交叉熵损失函数第一项和第二项之中，必定有一项的值为0。我们再来看第一项和第二项的函数图像（横坐标为，纵坐标为）：当标签值时 ，，如果接近1，接近0；如果接近0， 则变得无穷大。当标签值时，，如果接近1，变得无穷大；如果接近0，接近0。通过以上的简单分析，当预测值接近标签值时损失很小，当预测值远离标签值时损失很大，这一特性是有利于模型的学习的。二元交叉熵(BCE)
[文档级关系抽取｜ACL论文]文档级关系抽取中语言理解的基础模型
Dream的博客
12-09 1526
对于这篇文章，完全揭示了当前文档级关系抽取（甚至句子级关系抽取）的现状，知识把杂七杂八的东西放到了池子中去学习，让模型只能在学习到的数据集中有比较好的效果。基于transformer的预训练语言模型，都希望在给定上下文X的情况下，提高当前单词的概率Y，上下文应该由P(Y|X)表示，但学习的是P(Y|X, A)，其中A表示为对采样过程的访问，从而导致有偏差。目前，Y的语义很大程度依赖着有明确语义的词，即U->Y，他们的组合形成了自然的语言表达，其过程可以使用A->X表述，其中A决定了单词在上下文的分布。
长文本或者文档级别的关系提取任务 SCIREX: A Challenge Dataset for Document-Level Information Extraction （ACL2020）
一个nlp探险者的博客
09-28 1764
0. 引言 1. 摘要 从完整的文档中提取信息在许多领域都是一个重要的问题，但是大多数以前的工作都集中在识别句子或段落中的关系上。在文档级创建大规模信息提取数据集是一项挑战，因为它需要理解整个文档，以注释实体及其文档级关系，这些关系通常跨越句子甚至章节。在本文中，我们介绍了SCIREX，一个文档级的IE数据集，它包含多个IE任务，包括显著实体识别和来自科学文章的文档级N元关系识别。我们利用现有的科学知识资源，通过集成自动和人工标注来标注数据集。我们开发了一个神经模型作为强基线，将以前最先进的IE模型扩展到文
关系特定指代注意力增强的文档级关系抽取
zenRRan的博客
09-07 498
每天给你送来NLP技术干货！来自：知识工场作为实现认知智能的关键技术，知识图谱具有规模巨大、语义丰富、结构友好等特点。为了实现大规模知识图谱的自动化构建，关系抽取一直以来都是学术界与工业界共同关注的研究热点。然而传统的关系抽取将范围限制在抽取一个句子内单个实体对的关系，难以满足实际应用场景的需求。因此，文档级关系抽取近些年来受到了越来越多的关注。与传统的句子级关系抽取相比，文档级关...
深入理解文档级关系抽取：LSR模型探索
gitblog_00036的博客
06-20 415
深入理解文档级关系抽取：LSR模型探索 项目地址:https://gitcode.com/nanguoshun/LSR 在信息爆炸的今天，有效提取和理解文档中的深层关系成为了自然语言处理领域的热点。LSR（Latent Structure Refinement）正是为此而生的一项先进技术，其PyTorch实现为我们打开了通向高效文档级关系抽取的大门。本文将从四个方面解析这一宝藏开源项目，邀请您一同...
无类排序损失提升文档级关系抽取性能
实体对的标签在文档级关系抽取任务中扮演着关键角色。传统上，这类任务被看作是一个多标签分类问题，其中目标是识别跨句子中实体对所表达的关系。然而，不同于常规的多标签场景，大部分实体对实际上并不表达任何预定...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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