返回
Document-level relation extraction with structural encoding and entity-pair-level information interaction
DOI:10.1016/j.eswa.2024.126099.png)
摘要
En 中文
文档级关系抽取专注于识别文档全局中实体对之间的关系。然而,当前主流方法主要存在以下两个缺点:(a) 将上下文编码阶段与图推理阶段分离;(b) 限制在实体提及之间的推理,从而忽略了上下文中的关系相关性。本文介绍了SE-REPI模型,该模型由结构增强编码(SE)模块和基于关系实体对级交互(REPI)模块组成。SE模块有效地将结构信息注入Transformer架构中,并将图推理阶段整合到编码阶段。REPI模块构建实体对级信息交互,能够有效捕获实体对之间的关系相关性。在四个公开的DocRE数据集DocRED、CRD、GDA和DWIE上的全面实验结果证明了与以往尖端方法相比,我们的模型在性能和效率上的优越性。进一步的实验分析揭示了我们方法的可解释性。
Keyword:
Relation extraction
Structural transformer
Information extraction
Natural Language Processing
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Multi-task learning with graph attention networks for multi-domain task-oriented dialogue systems面向多域任务对话系统的图注意网络多任务学习
Document-level relation extraction with two-stage dynamic graph attention networks基于两阶段动态图注意网络的文档级关系抽取

