.png){kind=icon}
返回
Dual-stream dynamic graph structure network for document-level relation extraction
.png){kind=icon}
OA
AI
DOI：10.1016/j.jksuci.2024.102202.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从无结构文本中提取结构化信息对于知识管理和利用至关重要，这也是文档级关系提取的目标。现有的基于图的方法存在信息混淆和整合问题，限制了模型推理能力。为解决此问题，提出了一种双流动态图结构网络，用于从不同角度建模文档。利用文档信息的丰富性，构建了一个静态文档异构图。在此基础上，诱导出一个动态异构文档图，以促进实体表示学习中的全局信息聚合。此外，将静态文档图分解为多级静态语义图，并进一步诱导多层动态语义图，明确区分不同层级的信息。通过信息整合器有效整合不同流的信息。为缓解推理过程中的噪声干扰，还设计了噪声正则化机制。在三个广泛使用的文档级关系提取公开数据集上的实验结果表明，本模型在DocRED、CDR和GDA数据集上的F1分数分别为62.56%、71.1%和86.9%，显著优于基线方法。进一步分析也表明，该模型在多实体场景下同样有效。
Keyword:
Deep learning
Natural language processing
Graph convolutional network
Document-level relation extraction
Dynamic graph
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
6.1
论文数:
109
被引数:
9.5K
机构
暂无机构信息
引用论文
Joint reasoning with knowledge subgraphs for Multiple Choice Question Answering用于选择题回答的具有知识子图的联合推理
.png){kind=icon}
PREAI
分享收藏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
PREAI
分享收藏分享收藏
Document-level relation extraction using evidence reasoning on RST-GRAPH基于rst-graph证据推理的文档级关系抽取
PREAI
分享收藏
查看更多内容