.png){kind=icon}
返回
Path-Aware Reasoning Network for document-level relation extraction with co-regularization loss
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2024.112931.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
文档级关系抽取（DocRE）旨在识别文档中实体对之间的复杂关系。其挑战性在于文档通常包含多个实体对，且对内的两个实体可能分散在文档的不同位置，带有不同的实体特定标签，甚至相距甚远。现有工作通常聚焦于提取关键证据句子作为关系推断的简洁线索。然而，它们存在两个局限性：（1）不加区分地利用句子中的所有词语进行关系推断，可能会不可避免地引入噪声问题（例如，无关的短语/从句的参与），从而导致性能下降。（2）它们未考虑噪声标签现象，因为在DocRE场景中存在大量未标记实例。为解决上述问题，我们提出了一种新颖的方法，命名为路径感知推理网络（PARN）用于DocRE。具体而言，PARN显式地建模每个给定实体对在基于词级构建的文档图上的最短推断路径，然后将路径感知约束融入自注意力机制中，从而引导模型的注意力集中于这些路径上的关键片段。此外，还提出了协同正则化损失以缓解内在的噪声标签问题，这提高了输出的预测一致性。在三个DocRE数据集上的大量实验表明，所提出的模型相比以往的最优方法具有优越性。
Keyword:
Document-level relation extraction
Reasoning path
Key information detection
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
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Document-level Relation Extraction via Separate Relation Representation and Logical Reasoning基于独立关系表示和逻辑推理的文档级关系抽取
OAAI
OAAI分享收藏
查看更多内容