.png){kind=icon}
返回
A curriculum-guided semi-supervised learning framework for joint entity and relation extraction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115755.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实体关系抽取（ERE）对于各种自然语言处理任务至关重要，但其进展常受限于大规模标注数据集的需求。当前的监督式ERE方法在数据匮乏场景下表现不佳，原因在于标注过程的高成本和繁琐性。为解决此问题，本文提出CSJE框架——一种基于课程学习指导的半监督联合实体关系抽取方法。CSJE将半监督学习与一种受人类认知过程启发的课程学习策略相结合。该框架首先基于实体和关系重叠度提出一种新颖的难度度量指标，对标注数据进行分区，并从简单到复杂逐步训练模型。随后，框架采用自适应动态阈值进行自训练，为大量未标注数据生成高置信度的伪标签。此方法通过教师-学生框架迭代扩展训练集并优化模型。在三个基准数据集上的实验评估表明，CSJE显著提升了ERE性能。具体而言，在低资源环境下，与传统的监督方法相比，CSJE框架的F1分数提升了1%至5%。该框架展现出良好的泛化能力和与现有ERE模型的兼容性，通过有效利用有限的标注数据和大量的未标注数据，显著优化了模型性能和鲁棒性。
Keyword:
entity relation extraction
semi-supervised learning
curriculum learning
low-resource settings
self-training
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Relation-CNN: Enhancing website fingerprinting attack with relation features and NFS-CNN关系-CNN: 用关系特征和nfs-cnn增强网站指纹攻击
PREAI
分享收藏EBCDet: Energy-Based Curriculum for Robust Domain Adaptive Object DetectionEBCDet: 基于能量的鲁棒域自适应目标检测课程.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Sentiment analysis in textual, visual and multimodal inputs using recurrent neural networks使用递归神经网络对文本，视觉和多模态输入进行情感分析
PREAI
分享收藏Multi-layer Feature Fusion and Coarse-to-fine Label Learning for Semi-supervised Lesion Segmentation of Lung Cancer多层级特征融合与粗到精标签学习用于肺癌半监督病灶分割
PREAI
分享收藏
查看更多内容