.png){kind=icon}
返回
Three-stage document-level entity relation extraction
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07068-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
文档级实体关系抽取旨在识别无结构化文本中实体对之间的所有潜在关系。为解决多指实体、长距离实体关系和复杂关系推理等挑战，本文提出了一种基于文本共指消解和关系推理的三阶段文档关系抽取模型（TSDRE）。具体而言，我们首先采用CorefQA模型消解文档内的指示性代词。接着，将文档分割为句子，并利用PRGC模型提取句子级关系。最后，借助实体对之间可能存在的复杂关系信息、关系推理及支持性证据，对该信息进行编码，并将其作为输入提供给BERT模型，以确定实体对的可能关系类别。实验结果表明，在DocRED数据集上，TSDRE在验证集F1、测试集F1和lgnF1指标上分别相较于其他模型提升了至少0.18、0.15和0.21。在DWIE数据集上，TSDRE在验证集lgnF1和测试集lgnF1指标上分别提升了至少0.81和0.35。结果表明，TSDRE在准确且全面地抽取文档中实体对关联信息方面表现优异。
Keyword:
Relation extraction
Documentation
Relational reasoning
Pipeline structure
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
暂无机构信息
引用论文
An effective link prediction method for industrial knowledge graphs by incorporating entity description and neighborhood structure information一种通过融合实体描述和邻域结构信息实现工业知识图谱有效链接预测的方法
PREAI
分享收藏分享收藏What Does BERT Look at? An Analysis of BERT’s Attention伯特在看什么？浅析伯特的注意力.png)
Proceedings of the 2019 ACL Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLP
OAAI
Proceedings of the 2019 ACL Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLPIF0
OAAI分享收藏
查看更多内容