双关系预测与特征融合的实体关系抽取模型

罗伯特之技术屋

于 2024-05-01 21:08:56 发布

阅读量51

点赞数

分类专栏：智能科学与技术专栏文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/weixin_57147647/article/details/138379896

版权

智能科学与技术专栏专栏收录该内容

87 篇文章 1 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

本文提出了一种双关系预测和特征融合的实体关系抽取模型DRPFF，旨在解决现有模型在实体关系抽取中的阶段间特征融合不充分和曝光偏差问题。DRPFF采用BERT编码层，结合门控线性单元（GLU）和条件层规范化（CLN）进行特征融合，构建两阶段的双关系预测结构，减少了错误三元组的生成。模型在NYT和WebNLG数据集上相比于基线模型取得了更好的效果。

摘要由CSDN通过智能技术生成

摘要: 现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题，会增大曝光偏差对抽取性能的影响。为此，提出一种双关系预测和特征融合的实体关系抽取模型（entity relation extraction model with dual relation prediction and feature fusion，DRPFF），该模型使用预训练的基于Transformer的双向编码表示模型（bidirectional encoder representation from transformers, BERT）对文本进行编码，并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元（gated linear unit，GLU）和条件层规范化（conditional layer normalization，CLN）组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明，该模型相较于基线方法取得了更好的效果。