AAAI-21-RE-Multi-view Inference for Relation Extraction with Uncertain Knowledge
Multi-view Inference for Relation Extraction with Uncertain Knowledge
我们提出了 MIUK，这是一种用于使用不确定知识进行关系提取的多视图推理框架。我们的工作是将不确定的知识图谱引入关系提取和调查提及、实体和概念之间的相互作用的开创性研究。 • 我们进行了广泛的实验来验证 MIUK 并在句子级和文档级关系提取任务上取得有竞争力的结果。 • 我们构建并发布了一个包含超过 15,000,000 个实体和概念的高质量描述的语料库。它可以作为关系提取和许多其他自然语言处理任务的宝贵外部知识资源。
输入信息：三部分：输入文档（上下文）、不确定的知识图谱（ProBase）和来自维基百科的描述（ProBase Desp）
1. mention embedding m is calculated by averaging the embeddings of its anchor token and all the words existing in the mention
嵌入 m 是通过平均其锚标记的嵌入和提及中存在的所有单词来计算的
2. the concept vector c 对于目标实体 e，MIUK 首先从 ProBase 中检索前 K 个概念 c1、c2、…、ck 及其对应的置信度分数。然后应用softmax操作将置信度分数转换为加权分数w1，w2，…，wk，其中Pk i=1 wi = 1，因为ProBase提供的置信度分数是频率计数。
• Non-weighting Integration (NWI)
• Attention-based Weighting Integration (AWI)
• Prior Knowledge-based Weighting Integration (PWI). w是weight。
3. Concept2Entity Links：
Concept2Entity links (C2E) 通过聚合实体描述向量 ed 和概念向量 c 来生成全局交互向量 ug。 their corresponding description vectors are denoted as hd and td
4. Information Aggregation and Mixed Attention Mechanism
图 1：文档级关系提取的三视图推理框架示例。在一个文档中，一个实体可能有很多提及，通常以不同的形式出现。对于给定的实体，本地交互表示由不同的提及表示聚合。这是提及视图和实体视图之间的交叉视图交互。此外，通过检索不确定的KG，使用概念和加权分数来产生概念表示，它将收集实体和概念的描述以获得全局交互表示。这是实体视图和概念视图之间交互的交叉视图。最后，实体视图用于上下文信息聚合和关系预测。句子级关系提取仅涉及实体视图和概念视图。该图以彩色显示更好。
AAAI-21-RE-Multi-view Inference for Relation Extraction with Uncertain Knowledge相关推荐
- 文献学习02-Effective Modeling of Encoder-Decoder Architcture for Joint Entity and Relation Extraction
论文信息 (1)题目:Effective Modeling of Encoder-Decoder Architecture for Joint Entity and Relation Extracti ...
- 关系抽取论文总结（relation extraction）不断更新
2000 1.Miller, Scott, et al. "A novel use of statistical parsing to extract information from te ...
- 20-Joint entity and relation extraction based on a hybrid neural network(LSTM-ED+CNN),考虑长距离的实体标签之间的关
文章目录 abstract 1.introduction 2.相关工作 2.1. Named entity recognition 2.2. Relation classification 2.3 联合 ...
- 【论文】Awesome Relation Extraction Paper（关系抽取）（PART III）
0. 写在前面 回头看了一遍之前的博客,好些介绍的论文主要是属于关系分类的领域,于是就把前几篇的标题给修改了一下哈哈.关系分类和之前的文本分类,基于目标词的情感识别还都挺像的,baseline模型也都 ...
- 论文阅读笔记：Multi-Labeled Relation Extraction with Attentive Capsule Network（AAAI-2019）
论文信息 作者: Xinsong Zhang Shanghai Jiao Tong University Pengshuai Li Shanghai Jiao Tong University Weij ...
- 【论文】Awesome Relation Extraction Paper（关系抽取）（PART IV）
0. 写在前面 不想写 1. Neural Relation Extraction with Multi-lingual Attention(Lin/ ACL2017) 这篇文章是在Lin 2016年 ...
- 关系抽取远程监督PCNN：Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks
Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks 0 前言 1 多示例学习 ...
- Relation Extraction 关系抽取综述
文章目录 往期文章链接目录 Information Extraction v.s. Relation Extraction Existing Works of RE Pattern-based Met ...
- 关系抽取概述及研究进展Relation Extraction Progress
关系抽取的概述及研究进展 关系抽取任务概述 关系抽取的定义 关系抽取的公开的主流评测数据集 ACE 2005 SemiEval 2010 Task8 Dataset: NYT(New York Tim ...
最新文章
- 浙江大学计算机保研条件_看了就想录取的简历长啥样？保研简历千万别踩这些坑！...
- 银行家算法java代码
- 小米大数据：借助Apache Kylin打造高效、易用的一站式OLAP解决方案
- MyBatis(二)——多对一、一对多
- 菜单点击展开，超过四个则进行向右滑动显示demo
- 四种方式下创建线程启动的区别
- 有人说找不到这个免费R绘图教程的数据在哪？
- SpringCloud(三)Eureka之集群搭建以及将服务注册到多个EurekaServer
- Myeclipse8.6中安装SVN插件
- 从0开始搭建SQL Server AlwaysOn 第一篇（配置域控）
- 物联网操作系统 - Contiki
- Java高并发程序设计学习笔记（八）：NIO和AIO
- Python3面向对象：实例(instance)
- Android-EasyChart第二波饼图
- Javaweb —— JSP技术
- Excel_一维二维表转换（行列转换）的几种方法
- 眼见为实(2)：介绍Windows的窗口、消息、子类化和超类化
- 好消息！不用再花冤枉钱登陆Facebook啦！
- 扬帆际海—移动端流量对跨境电商有多重要？
- 如何修复网页被劫持、页面劫持的解决方法、详细