返回
Entity-Dependency Memory-Enhanced Document-Level Relation Extraction
DOI:10.1007/978-3-032-04630-7_12.png)
摘要
En 中文
文档理解中的文档级关系抽取旨在识别跨句的复杂实体关系,但现有方法在捕捉长距离实体依赖时往往面临挑战。为解决此问题,本文提出了一种基于实体依赖记忆增强(EMDRE)的文档级关系抽取模型。通过引入计算机视觉领域的记忆增强技术——标记图灵机(TTM),该模型有效提升了文档理解任务中长距离实体依赖的建模能力。该方法增强了记忆机制,显著提高了模型捕捉文档内复杂实体关系的能力。此外,为解决文档级关系抽取任务中的类别不平衡问题,本文提出了一种自适应排序优化策略,动态调整正负样本对模型训练的贡献,进一步提升了模型性能。实验结果表明,EMDRE模型在文档级关系抽取任务中优于现有基线模型,验证了其在文档理解中的有效性和创新性。
Keyword:
Document Understanding
Document-level Relation Extraction
Memory Enhancement
期刊
D
IF:
0
论文数:
28
被引数:
0
机构
引用论文
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

