Discriminative Reasoning for Document-level Relation Extraction
Discriminative Reasoning for Document-level Relation Extraction
1.问题和解决的问题
在执行多跳图卷积之后,将两个实体的特征表示连接起来,通过分类器识别它们之间的关系,在DocRE任务中实现最先进的性能,但是,在本文档中,对这些推理技能进行隐式建模是否与一对实体之间的直观推理技能具有竞争性尚待观察。问题:先进的DocRE模型通常使用通用的多跳卷积网络来隐含地模拟这些推理技能,而不明确地考虑上述直观推理技能,这可能会阻碍DocRE的进一步改进。
具体而言,在Xu等人的元路径策略的启发下,我们从输入文档中有区别地提取了三种推理技能的推理路径。因此,设计了一种判别推理网络,基于每个实体对的构造图和矢量化文档上下文来估计不同推理路径的关系概率分布,从而识别它们之间的关系
2.做出的工作
*我们提出了一个判别推理框架来模拟文档中两个实体之间的推理能力。据我们所知,这是第一项明确建模不同推理技能以增强文档的工作。
*此外,我们引入了一个判别推理网络来对基于构造的异构图和矢量化原始文档的推理路径进行编码,从而通过分类器识别两个实体之间的关系。
*大规模DocRE数据集上的实验结果表明了该方法的有效性,特别是优于最近最先进的DocRE模型。
3.DRN(discriminative reasoning)框架
判别推理框架包含三部分:推理路径的定义,判别推理的建模和基于多推理的关系分类。
m(代表mention)
s1代表在第一句
i就是句子内哪一个m
推理的三条路径:
1)句子内推理
当一个实体对出现同一条句子里面的时候
2)逻辑推理
3)共指推理(CO)
4.异构图的表达(Heterogeneous Graph Context Representation)
每一个单词实体嵌入类型,和co信息
异构图
ES(一条句子里面跟所有的实体相连)
SS(相邻的句子相连)
EM(实体跟他本身的mention相连)
CO(实体和它本身的mention相连)
MM(在相同的句子中所有mention相互连接)
MS(一条句子里面跟所有的mention相连)
异构图过一次multi-hop graph convolutional network
5整个模型 图
首先把每个单词词嵌入变成向量,然后通过两个部分,第一块是异构图(用到了multi-hop GCN)为了让节点与节点之间学到彼此的特征信息,第二块是通过document-level context获取到单词与上下文的联系(用到的是self-attention)
学到彼此的特征信息,第二块是通过document-level context获取到单词与上下文的联系(用到的是self-attention)
然后把两个同事放入DRN框架中 然后通过一个mlp(多层感知机)
Discriminative Reasoning for Document-level Relation Extraction相关推荐
- 文档级关系抽取:QIUXP:DORE: Document Ordered Relation Extraction based on Generative Framework
DORE: Document Ordered Relation Extraction based on Generative Framework 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 ...
- 每天读一篇论文2--Document-level Relation Extraction with Cross-sentence Reasoning Graph
摘要: 关系抽取(RelationExtraction,RE)已经从句子级发展到文档级,需要聚集文档信息并使用实体和提及进行推理.现有研究将具有相似表示的实体节点和提及节点放在文档级图中,其复杂的边会 ...
- 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 ...
- 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 ...
- 文献阅读课12-Fine-Grained Temporal Relation Extraction(19ACL,时间关系,时间持续时间,数据集,语义框架,常识)
文章目录 abstract 1.Introduction 2 背景 3.数据收集 4.Model 5.实验 6.result 7 Model Analysis and Timelines Vashis ...
- 论文阅读课2-Inter-sentence Relation Extraction with Document-level (GCNN,句间关系抽取,ACL2019
文章目录 abstract 1.introduction 2.model 2.1输入层 2.2构造图 2.3 GCNN层 2.4MIL-based Relation Classification 3. ...
- 【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 ...
- 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 ...
最新文章
- Visual Studio 2013 在使用 razor无智能提示的解决办法
- re2c php,PHP的词法解析器:re2c
- 十个非常有创意的验证码设计
- HDU1163 Eddy's digital Roots(解法二)【快速模幂+九余数定理】
- 训练指南 UVALive - 3713 (2-SAT)
- c++ 输入输出流关联
- 常用 命令类,慢慢收集
- Lua-简洁、轻量、可扩展的脚本语言
- Chrome每次打开时报的关于扩展程序的警告信息
- STM32 DSP库的使用方法
- 恋舞服务器维修,2144《梦幻恋舞》关闭充值及关服公告
- 今年美国什么工作最吃香?程序猿薪酬超医生
- 【转】认识 C++ 中的 explicit 关键字
- 【Go】优雅的读取http请求或响应的数据-续
- VS中如何导入wav并且播放音乐
- 经纬度坐标转换xy坐标 python_Python 高斯坐标转经纬度算法
- 如何将视频旋转180度播放
- python label显示图片_Python3 tkinter基础 Label imag显示图片
- 周杰伦2011所有歌曲完整版无删节全正版打包免费下载 http://115.com/file/bhr
- 成为IT精英,我奋斗7年(震撼!正能量 转)
热门文章
- FFmpeg —— 15.示例程序(九):音频编码器(PCM编码为MP3)
- 大数据十年:Cloudera向左,Palantir向右
- 使用pygame制作Flappy bird小游戏
- 代码量怎么计算_怎么样利用南方CASS三角网法和方格网法进行土方量计算
- win10部署milvus以图搜图2.0
- 2022-4-16 c++ 杂记 mutex GUARDED_BY std::unique_ptr unordered_map ::开头
- 网络编程、通信三要素、UDP快速入门、TCP通信、即时通信、模拟BS系统
- 银行卡号编码规则及其应用
- 两个无线路由器的连接(修订)
- Codeforces 730A:Toda 2(multiset模拟)