.png){kind=icon}
返回
An Entity-Relation Extraction Framework via Symmetry-Aware Augmentation and Priority-Constrained Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3453-1_29.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实体关系抽取旨在从非结构化文本中联合识别实体及其语义关系，但受限于关系稀疏性、长尾分布以及实体与关系子任务间的优化冲突。我们提出SPADE，一个通过两个核心组件解决这些挑战的统一框架：（1）一种对称感知和自参照关系增强策略，通过注入结构有效的训练实例来提升关系多样性和鲁棒性；（2）一种带优先约束的联合优化方法，利用拉格朗日乘数强制分层学习动态，优先执行实体边界检测以稳定多任务训练。在跨多个领域的五个基准数据集上的大量实验表明，SPADE持续优于强基线模型，在低资源设置下达到最高+3.1%的绝对三元组级F1提升。我们的代码和模型将发布以支持未来研究。
Keyword:
Entity-relation extraction
Symmetry-aware augmentation
Priority-constrained optimization
Relation sparsity
Multi-task learning
期刊
A
IF:
0
论文数:
27
被引数:
0
机构
引用论文
.png){kind=icon}
Learning to Leverage High-Order Medical Knowledge Graph for Joint Entity and Relation Extraction
OAAI
OAAI分享收藏分享收藏Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks基于跨度剪枝和超图神经网络的联合实体和关系提取OAAI
OAAI分享收藏BioCreative V CDR task corpus: a resource for chemical disease relation extractionBioCreative V CDR任务语料库: 化学疾病关系提取的资源
OAAI
OAAI分享收藏An effective relation-first detection model for relational triple extraction一种有效的关系三元组抽取的关系优先检测模型
PREAI
分享收藏
查看更多内容