关系抽取之PCNN(Piece-Wise-CNN)
下图清晰了显示了PCNN的整个网络架构,PCNN的实现过程:
- 数据预处理:首先对数据进行位置编码,按句子中各个词离entity的距离进行编码。
例如:“As we known,Steve Jobs was the co-founder of Apple Inc which is a great company in America.”
由于句子中有两个entity,所以这条句子就会产生两个和句子长度相同的编码。
pos_1:[-4,-3,-2,-1,0,1,2,3......] ,其中0就是Steve Jobs的位置。
pos_2:[-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3......] 其中0就是Apple Inc的位置。
- 切分句子:其中最主要的就是将一条文本数据在两个entity处各切一刀将文本且成了3段。(注意,位置向量也同样进行了切分操作)
比如 As we known,Steve Jobs was the co-founder of Apple Inc which is a great company in America,将被切成:
As we known,Steve Jobs
Steve Jobs was the co-founder of Apple Inc
Apple Inc which is a great company in America.
- 特征提取:将位置特征和文本特征拼接之后,然后将上面三个数据分别通过CNN 提取特征
- 关系分类:提取出来的特征通过maxpooling层之后进行拼接后送入softmax层,最终得到relation的分类。
从上面PCNN的流程可以发现,这个网络结构很注重entitiy之间的距离信息,位置信息,以及entitiy之间或者左右的信息。其实这些都是是关系抽取中最重要的特征。
- 一般来说两个entitiy之间距离越近,则他们有关系的可能性越大。
- 而透露出entities之间有关系的词一般会出现在两个entity之间,左侧,或者右侧。
例如:Steve Jobs was the co-founderof Apple Inc , 关系词 co-founder就在两个entity之间
关系抽取之PCNN(Piece-Wise-CNN)相关推荐
- tensorflow从入门到精通100讲(五)-知识图谱( Knowledge Graph)关系抽取之PCNN
前言 知识图谱( Knowledge Graph)以结构化的形式描述客观世界中概念.实体及其关系,将互联网的信息表达成更接近人类认知世界的形式,提供了一种更好地组织.管理和理解互联网海量信息的能力.上 ...
- 【转】自然语言系列学习之表示学习与知识获取(五)融合文本和知识,利用cnn方法进行关系抽取
本文重点放在怎么利用知识表示学习,辅助我们进行关系抽取,首先介绍如何利用分布式表示去融合知识和文本进行文本的抽取. 前文提到利用知识图谱学习了知识表示,就可以预测任意两个实体之间的关系,它是通过t-h ...
- ACL 2018 论文解读 | 基于深度强化学习的远程监督关系抽取
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
- 【转】自然语言系列学习之表示学习与知识获取(八)利用远程监督多实例的关系抽取
下面介绍下如何利用远程监督多实例进行关系抽取.前文有提到到当利用文本进行关系抽取,基本思想是利用知识图谱中,如(下图)任意两个实体同时在句子中出现: 我们把句子当成是两个实体关系训练得样例,这样就可以 ...
- 开放开源 | DeepKE:基于深度学习的开源中文关系抽取工具
本文转载自公众号:浙大 KG. 作者:余海阳 机构:浙江大学 代码地址: https://github.com/zjunlp/deepke OpenKG 发布地址: http://openkg.cn/ ...
- 论文浅尝 | 利用知识图谱嵌入和图卷积网络进行长尾关系抽取
论文笔记整理:王狄烽,南京大学硕士,研究方向为关系抽取.知识库补全. 链接:https://arxiv.org/pdf/1903.01306.pdf 发表会议:NAACL2019 动机 现有的利用远程 ...
- 文献阅读课13-DSGAN: Generative Adversarial Training for (远程监督关系抽取,句子级去噪)
文章目录 Abstract 1.Introduction 2.相关工作 3 Adversarial Learning for Distant Supervision 3.1 Pre-Training ...
- 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)
文章目录 Abstract 1.Introduction 2. 相关工作 2.2 Entity-aware Relation Extraction 3.提出的模型 3.1 Solution Frame ...
- 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 abstract 1.introduction 2.相关工作 2.1 关系提取 2.2 KG embedding 2.3 GCNN 3. 方法 3.1符号 3.2框架 3.2.1 Insta ...
- 介绍几个专门面向中文的命名实体识别和关系抽取工具
知识图谱已经在人工智能的各个领域发挥越来越重要的作用,例如视觉问答.对话系统.推荐系统等.知识图谱构建是应用这些知识图谱的基础,而面对生活和企业中数据的爆发式增长,自动化知识图谱构建显得越来越重要.从 ...
最新文章
- python3 抛出异常_Python3 异常
- 设置虚拟机和本机时间同步方法
- JSP页面中实现使用taglib导入库时自动提示(JSTL 库安装)
- 采购交货期延误的原因分析
- Qt文档阅读笔记-Qt插件DECLARE_INTERFACE METADATA INTERFACES官方解析及实例
- linux命令大全网址
- 记一次线上coredump事故
- Leetcode每日一题:面试题17.12 binode
- python实践项目(十)
- 新浪微博android代码,新浪微博Android源代码(基于OAuth1.0 仅供学习)
- 汉字转拼音开源工具包Jpinyin介绍
- 基于VGG16主干模型的segnet语义分割详解及实例
- 三调与二调图斑叠加分析,筛选不同地类面积占比,筛选举证图斑
- 使用Vundle管理配置Vim的插件
- Network--名词解释
- axios 的简化写法
- 【论文简述及翻译】PWC-Net: CNNs for Optical Flow Using Pyramid, Warping, and Cost Volume(CVPR 2018)
- Cisco Visio Stencil 实体图标下载
- LinuxC——指针
- 几种需求、管理与激励的理论