论文阅读:Reasoning with Latent Structure Refinement for Document-Level Relation Extraction
1.论文阅读:基于长句简化的中文开放关系抽取2.论文阅读:基于无监督集成聚类的开放关系抽取方法3.论文阅读:融合外部知识的生成式实体关系联合抽取方法4.论文阅读:基于深度学习的实体关系联合抽取研究综述5.论文阅读:基于预训练模型的关系抽取研究综述6.论文阅读:双路注意力引导图卷积网络的关系抽取7.论文阅读:基于多通道自注意力机制的电子病历实体关系抽取8.论文阅读:基于实体边界组合的关系抽取方法
9.论文阅读:Reasoning with Latent Structure Refinement for Document-Level Relation Extraction
10.论文阅读:Multi-Grained Dependency Graph Neural Network for Chinese Open Information Extraction11.论文阅读:《Chinese Relation Extraction with Multi-Grained Information and External Linguistic Knowledge》12.论文阅读:Improved Graph Contrastive Learning for Short Text Classification13.IE数据集:一种面向中国文学文本的语篇级命名实体识别与关系抽取数据集14.论文阅读:使用集合预测网络进行联合实体和关系提取15.论文阅读:Enhancing Chinese Character Representation With Lattice-Aligned Attention16.论文阅读:TKDP: Threefold Knowledge-Enriched Deep Prompt Tuning for Few-Shot Named Entity Recognition17.论文阅读:BERT-Based Chinese Relation Extraction for Public Security18.论文阅读:A neuralized feature engineering method for entity relation extraction19.论文阅读:Sequence to sequence learning for joint extraction of entities and relations20.论文阅读:Borrowing wisdom from world: modeling rich external knowledge for Chinese named entity recognition21.论文阅读:引入词集级注意力机制的中文命名实体识别方法22.论文阅读:Dynamic Multi-View Fusion Mechanism for Chinese Relation Extraction23.论文阅读:End to End Chinese Lexical Fusion Recognition with Sememe KnowledgeNan G, Guo Z, Sekulić I, et al. Reasoning with latent structure refinement for document-level relation extraction[J]. arXiv preprint arXiv:2005.06312, 2020.
代码和预训练模型的github链接
LSR模型
- 本文提出了用于文档级关系提取任务的
Latent Structure Refinement(LSR)
模型。 - LSR由三个组件组成:
节点构造器
、动态推理器
和分类器
。- 节点构造器:节点构造函数首先对输入文档的每个句子进行编码,并输出上下文表示形式。将与句子中最短依赖路径上的mentions和tokens相对应的表示提取为节点。
- 动态推理器:然后应用动态推理器根据提取的节点归纳出文档级结构。节点的表示根据潜在结构上的信息传播进行更新,并经过迭代细化。
- 分类器:节点的最终表示用于计算分类器的分类分数。
节点构造器
- 节点构造器将文档中的句子编码为上下文表示,并构造
提及节点
、实体节点
和元依赖路径(MDP)节点
的表示。
上下文编码
- 把文档d中的每一个句子di输入上下文编码器,输出di中每个单词的上下文表示。
- 上下文编码器可以是
BiLSTM
或BERT
。
节点提取
- 我们为文档级图构建了三种类型的节点:
提及节点
、实体节点
和元依赖路径 (MDP) 节点
。- 提及节点:每个句子中实体的不同名称。
- 实体节点:其提及节点的平均值。
- MDP节点:为了构建文档级图,现有方法使用句子的依赖树中的所有节点或通过平均句子的所有token表示来使用一个句子级节点。
动态推理
- 动态推理器有两个模块,
结构归纳
和多跳推理
。- 结构归纳模块用于学习文档级图的潜在结构。将节点构造器构造的节点作为输入,在双线性变换之前,节点的表示被馈送到两个前馈网络中,潜在文档级结构由Kirchhoff的矩阵树定理计算。
- 多跳推理模块用于对潜在结构进行推理,将结构作为输入,并使用密集连接的图卷积网络更新节点的表示。
迭代优化
:模型堆叠了 N 个动态推理器块,以诱导文档级结构 N 次。
分类器
- 经过 N 次细化后,就获得了所有节点的表示。
- 使用
双线性函数
来计算每个关系类型r的概率。
本文作者:Barn
本文链接:https://www.cnblogs.com/zinger/p/18202203
版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 2.5 中国大陆许可协议进行许可。
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· PowerShell开发游戏 · 打蜜蜂
· 在鹅厂做java开发是什么体验
· WPF到Web的无缝过渡:英雄联盟客户端的OpenSilver迁移实战