awesome relation extraction

Ekstraksi relasi yang luar biasa

Daftar sumber daya mengagumkan yang dikuratori yang didedikasikan untuk ekstraksi relasi, terinspirasi oleh n-nlp yang luar biasa dan visi yang luar biasa.

Kontribusi : Jangan ragu untuk membuat permintaan tarik .

Isi

• Tren Penelitian dan Survei
• Dokumen
  • Pendekatan yang diawasi
  • Pendekatan pengawasan jauh
  • Model berbasis GNN
  • Model bahasa
    • Representasi Encoder dari Transformer
    • Representasi dekoder dari transformator
  • Pendekatan Berbasis Grafik Pengetahuan
  • Pendekatan pembelajaran beberapa shot
• Kumpulan data
• Video dan kuliah
• Sistem
• Kerangka kerja

Tren Penelitian dan Survei

• Kemajuan NLP: Ekstraksi Hubungan
• Pengakuan Entitas dan Ekstraksi Hubungan Entitas: State-of-the-Art (Nasar et al., 2021)
• Survei metode pembelajaran mendalam untuk ekstraksi hubungan (Kumar, 2017)
• Survei tentang Ekstraksi Hubungan (Bach dan Badaskar, 2017)
• Ekstraksi Relasi: Survei (Pawar et al., 2017)
• Tinjauan tentang Ekstraksi Hubungan Entitas (Zhang et al., 2017)
• Tinjauan Metode Ekstraksi Relasi: Apa yang baru di luar sana? (Konstantinova et al., 2014)
• 100 GitHub Terbaik: Ekstraksi Relasi

Dokumen

Pendekatan yang diawasi

Model berbasis CNN

• Convolution Neural Network for Relationship Extraction [Paper] [Code] [Tinjau]
  • Chunyang Liu, Wenbo Sun, Wenhan Chao dan Wanxiang Che
  • ADMA 2013
• Klasifikasi relasi melalui jaringan saraf dalam konvolusional [kertas] [kode] [ulasan]
  • Daojian Zeng, Kang Liu, Siwei Lai, Guangyou Zhou dan Jun Zhao
  • Coling 2014
• Ekstraksi relasi: Perspektif dari jaringan saraf konvolusional [kertas] [kode] [ulasan]
  • Thien Huu Nguyen dan Ralph Grishman
  • NAACL 2015
• Mengklasifikasikan hubungan dengan peringkat dengan jaringan saraf konvolusional [kertas] [kode]
  • Cicero Nogueira Dos Santos, Bing Xiang dan Bowen Zhou
  • ACL 2015
• Jaringan saraf konvolusional berbasis perhatian untuk ekstraksi relasi semantik [kertas] [kode]
  • Yatian Shen dan Xuanjing Huang
  • Coling 2016
• Klasifikasi relasi melalui CNNs perhatian multi-level [kertas] [kode]
  • Linlin Wang, Zhu Cao, Gerard de Melo dan Zhiyuan Liu
  • ACL 2016
• MIT di Semeval-2017 Tugas 10: Ekstraksi Relasi dengan Jaringan Saraf Konvolusional [Kertas]
  • Ji Young Lee, Franck Dernoncourt dan Peter Szolovits
  • Semeval 2017

Model berbasis RNN

• Klasifikasi relasi melalui jaringan saraf berulang [kertas]
  • Dongxu Zhang dan Dong Wang
  • ARXIV 2015
• Jaringan memori jangka pendek dua arah untuk klasifikasi relasi [kertas]
  • Shu Zhang, Dequan Zheng, Xinchen Hu dan Ming Yang
  • Paclic 2015
• Ekstraksi relasi end-to-end menggunakan LSTMS pada urutan dan struktur pohon [kertas]
  • Makoto Miwa dan Mohit Bansal
  • ACL 2016
• Jaringan memori jangka pendek dua kali lipat berbasis perhatian untuk klasifikasi relasi [kertas] [kode]
  • Peng Zhou, Wei Shi, Jun Tian, ​​Zhenyu Qi, Bingchen Li, Hongwei Hao dan Bo Xu
  • ACL 2016
• Klasifikasi Relasi Semantik melalui Jaringan Saraf Berulang Hirarki dengan Perhatian [Kertas]
  • Minguang Xiao dan Cong Liu
  • Coling 2016
• Klasifikasi Relasi Semantik Melalui Jaringan LSTM BIDIRECTIONAL DENGAN PERHATIAN AKTIF ENTITY MENGGUNAKAN Laten Entity Typing [Paper] [Kode]
  • Joohong Lee, Sangwoo Seo dan Yong Suk Choi
  • ARXIV 2019

Model berbasis ketergantungan

• Komposisionalitas semantik melalui ruang vektor matriks rekursif [kertas] [kode]
  • Richard Socher, Brody Huval, Christopher D. Manning dan Andrew Y. NG
  • EMNLP-Conll 2012
• Model embedding komposisi berbasis faktor [kertas]
  • Mo Yu, Matthw R. Gormley dan Mark Dredze
  • Lokakarya NIPS tentang Pembelajaran Semantik 2014
• Jaringan saraf berbasis ketergantungan untuk klasifikasi relasi [kertas]
  • Yang Liu, Furu Wei, Sujian Li, Heng Ji, Ming Zhou dan Houfeng Wang
  • ACL 2015
• Klasifikasi hubungan melalui jaringan memori jangka pendek panjang di sepanjang jalur ketergantungan terpendek [kertas] [kode]
  • Xu Yan, Lili Mou, Ge Li, Yunchuan Chen, Hao Peng dan Zhi Jin
  • EMNLP 2015
• Klasifikasi Relasi Semantik melalui Jaringan Saraf Konvolusional dengan Pengambilan Sampel Negatif Sederhana [Kertas]
  • Kun Xu, Yansong Feng, Songfang Huang dan Dongyan Zhao
  • EMNLP 2015
• Klasifikasi hubungan yang ditingkatkan dengan jaringan saraf berulang dalam dengan augmentasi data [kertas]
  • Yan Xu, Ran Jia, Lili Mou, Ge Li, Yunchuan Chen, Yangyang Lu dan Zhi Jin
  • Coling 2016
• Jaringan saraf konvolusional berulang dua arah untuk klasifikasi relasi [kertas]
  • Rui Cai, Xiaodong Zhang dan Houfeng Wang
  • ACL 2016
• Ekstraksi Saraf Saraf melalui Pengurangan Kebisingan dan Transfer Pembelajaran Batin [Kertas]
  • Tianyi Liu, Xinsong Zhang, Wanhao Zhou, Weijia Jia
  • EMNLP 2018

Model berbasis GNN

• Pencocokan kekosongan: kesamaan distribusi untuk pembelajaran hubungan [kertas]
  • Livio Baldini Soares, Nicholas Fitzgerald, Jeffrey Ling, Tom Kwiatkowski
  • ACL 2019
• Hubungan Hubungan: Paradigma Baru dari Masalah Ekstraksi Hubungan [Kertas]
  • Zhijing Jin, Yongyi Yang, Xipeng Qiu, Zheng Zhang
  • EMNLP 2020
• GDPNET: Menyempurnakan grafik multi-view laten untuk ekstraksi relasi [kertas] [kode]
  • Fuzhao Xue, Aixin Sun, Hao Zhang, Eng Siong Chng
  • Aaai 21
• RECON: Ekstraksi relasi menggunakan konteks grafik pengetahuan dalam jaringan saraf grafik [parer] [kode]
  • Anson Bastos, Abhishek Nadgeri, Kuldeep Singh, Isaiah Onando Mulang ', Saeedeh Shekarpour, Johannes Hoffart, Manohar Kaul
  • Www'21

Pendekatan pengawasan jauh

• Pengawasan jauh untuk ekstraksi hubungan tanpa data berlabel [kertas] [tinjau]
  • Mike Mintz, Steven Bills, Rion Snow dan Dan Jurafsky
  • ACL 2009
• Pengawasan lemah berbasis pengetahuan untuk ekstraksi informasi hubungan yang tumpang tindih [kertas] [kode]
  • Raphael Hoffmann, Congle Zhang, Xiao Ling, Luke Zettlemoyer dan Daniel S. Weld
  • ACL 2011
• Pembelajaran multi-label multi-instansi untuk ekstraksi relasi [kertas] [kode]
  • Mihai Surdeanu, Julie Tibshirani, Ramesh Nallapati dan Christopher D. Manning
  • EMNLP-Conll 2012
• Pengawasan jauh untuk ekstraksi hubungan melalui jaringan saraf konvolusional piecewise [kertas] [tinjauan] [kode]
  • Daojian Zeng, Kang Liu, Yubo Chen dan Jun Zhao
  • EMNLP 2015
• Ekstraksi relasi dengan jaringan saraf multi-label multi-label [kertas] [ulasan] [kode]
  • Xiaotian Jiang, Quan Wang, Peng Li, Bin Wang
  • Coling 2016
• Menggabungkan jalur hubungan dalam ekstraksi relasi saraf [kertas] [ulasan]
  • Wenyuan Zeng, Yankai Lin, Zhiyuan Liu dan Maosong Sun
  • EMNLP 2017
• Ekstraksi hubungan saraf dengan perhatian selektif atas contoh [kertas] [kode]
  • Yankai Lin, Shiqi Shen, Zhiyuan Liu, Huanbo Luan dan Maosong Sun
  • ACL 2017
• Belajar Konteks Lokal dan Global Menggunakan Model Jaringan Berulang Konvolusional untuk Klasifikasi Selatif dalam Teks Biomedis [Kertas] [Kode] [Kode]
  • Desh Raj, Sunil Kumar Sahu dan Ashish Anan
  • Conll 2017
• Ekstraksi hubungan hierarkis dengan perhatian berbutir kasar ke halus [kertas] [kode]
  • Xu Han, Pengfei Yu ∗, Zhiyuan Liu, Maosong Sun, Peng Li
  • EMNLP 2018
• Berada: Meningkatkan ekstraksi hubungan saraf yang diawasi jauh menggunakan informasi sampingan [kertas] [kode]
  • Shikhar Vashishth, Rishabh Joshi, Sai Suman Prayaga, Chiranjib Bhattacharyya dan Partha Talukdar
  • EMNLP 2018
• Ekstraksi hubungan pengawasan jauh dengan perhatian intra-tas dan antar-tas [kertas] [kode]
  • Zhi-xiu ye, zhen-hua ling
  • NAACL 2019

Model bahasa

Representasi Encoder dari Transformer

• Memperkaya model bahasa pra-terlatih dengan informasi entitas untuk klasifikasi relasi [kertas]
  • Shanchan wu, yifan he
  • ARXIV 2019
• Luke: Representasi entitas yang terkontekstual dengan entitas-sadar diri [kertas] [Kode]
  • Ikuya Yamada, Akari Asai, Hiroyuki Shindo, Hideaki Takeda, Yuji Matsumoto
  • EMNLP 2020
• Spanbert: Meningkatkan pra-pelatihan dengan mewakili dan memprediksi rentang [kertas] [kode]
  • Mandar Joshi, Danqi Chen, Yinhan Liu, Daniel S. Weld, Luke Zettlemoyer dan Omer Levy
  • TACL 2020 (Transaksi Asosiasi Linguistik Komputasi)
• Ekstraksi hubungan jarak jauh yang efisien dengan DG-Spanbert [kertas]
  • Jun Chen, Robert Hoehndorf, Mohamed Elhoseiny, Xiangliang Zhang

Representasi dekoder dari transformator

• Meningkatkan ekstraksi hubungan dengan representasi bahasa pretrained [kertas] [ulasan] [kode]
  • Christoph Alt, Marc Hübner, Leonhard Hennig
  • AKBC 19

Pendekatan Berbasis Grafik Pengetahuan

• KGPOOL: Pemilihan konteks grafik pengetahuan dinamis untuk ekstraksi relasi [kertas] [kode]
  • Abhishek Nadgeri, Anson Bastos, Kuldeep Singh, Isaiah Onando Mulang, Johannes Hoffart, Saeedeh Shekarpour, dan Vijay Saraswat
  • ACL 2021 (Temuan)

Pendekatan pembelajaran beberapa shot

• Sewel: Dataset klasifikasi beberapa-shot scale yang diawasi dengan skala besar dengan evaluasi canggih [kertas] [situs web] [kode]
  • Xu Han, Hao Zhu, Pengfei Yu, Ziyun Wang, Yuan Yao, Zhiyuan Liu, Maosong Sun
  • EMNLP 2018

Aneka ragam

• Bersama mengekstraksi hubungan dengan ikatan kelas melalui peringkat dalam yang efektif [kertas]
  • Hai Ye, Wenhan Chao, Zhunchen Luo dan Zhoujun Li
  • ACL 2017
• Ekstraksi hubungan saraf end-to-end dengan optimasi global [kertas]
  • Meishan Zhang, Yue Zhang dan Guohong Fu
  • EMNLP 2017
• Pelatihan permusuhan untuk ekstraksi relasi [kertas]
  • Yi Wu, David Bamman dan Stuart Russell
  • EMNLP 2017
• Model sendi saraf untuk ekstraksi entitas dan hubungan dari teks biomedis [kertas]
  • Fei Li, Meishan Zhang, Guohong Fu dan Donghong Ji
  • BMC Bioinformatika 2017
• Ekstraksi bersama entitas dan hubungan menggunakan pembelajaran penguatan dan pembelajaran mendalam [kertas]
  • Yuntian Feng, Hongjun Zhang, Wenning Hao, dan Gang Chen
  • Jurnal Kecerdasan Komputasi dan Neuroscience 2017
• TDEER: Skema decoding menerjemahkan yang efisien untuk ekstraksi bersama entitas dan hubungan [kertas] [kode]
  • Xianming Li, Xiaotian Luo, Chenghao Dong, Daichuan Yang, Beidi Luan dan Zhen He
  • EMNLP 2021

Kembali ke atas

Kumpulan data

• SEMEVAL-2010 TUGAS 8 [kertas] [Unduh]
  • Klasifikasi multi-arah hubungan semantik antara pasangan nominal
• New York Times (NYT) Corpus [Paper] [Unduh]
  • Dataset ini dihasilkan dengan menyelaraskan hubungan freebase dengan NYT Corpus, dengan kalimat dari tahun 2005-2006 yang digunakan sebagai corpus pelatihan dan kalimat dari tahun 2007 yang digunakan sebagai corpus pengujian.
• Sewel: Dataset Klasifikasi Relasi Beberapa-Shot [Kertas] [Situs Web]
  • Dataset ini adalah dataset klasifikasi hubungan beberapa-shot yang diawasi. Corpus adalah Wikipedia dan basis pengetahuan yang digunakan untuk memberi anotasi korpus adalah Wikidata.
• TACRED: Dataset Ekstraksi TAC Relational [kertas] [Situs web] [Unduh]
  • Adalah dataset ekstraksi relasi skala besar dengan Newswire dan teks web dari corpus yang digunakan dalam tantangan populasi basis pengetahuan TAC (TAC KBP) tahunan.
• ACE05: [Situs Web] [Unduh-Info]
  • Dataset ini mewakili teks yang diekstraksi dari berbagai sumber: percakapan siaran, berita siaran, newsgroup, weblog. 6 jenis hubungan antara 7 jenis pada entitas: Asility (FAC), geo-politicalentity (GPE), lokasi (LOC), organisasi (org), orang (per), kendaraan (kendaraan), senjata (WEA).
• SEMEVAL-2018 Tugas 7 [kertas] [Situs web] [Unduh]
  • Corpus dikumpulkan dari abstrak dan perkenalan makalah ilmiah, dan ada enam jenis hubungan semantik secara total. Ada tiga subtugas: Subtask 1.1 dan Subtask 1.2 adalah klasifikasi relasi pada data yang bersih dan berisik, masing -masing; Subtask 2 adalah ekstraksi relasi standar.

Untuk hasil canggih, periksa nlpprogress.com tentang ekstraksi hubungan

Kembali ke atas

Video dan kuliah

• Universitas Stanford: CS124, Dan Jurafsky
  • (Video) Minggu 5: Ekstraksi dan pertanyaan relasi
• Universitas Washington: CSE517, Luke Zettlemoyer
  • Ekstraksi Relasi (Slide) 1
  • Ekstraksi Relasi (Slide) 2
• Universitas New York: CSCI-GA.2590, Ralph Grishman
  • (Slide) ekstraksi relasi: pendekatan berbasis aturan
• Universitas Michigan: Coursera, Dragomir R. Radev
  • (Video) Kuliah 48: Ekstraksi relasi
• Universitas Virginia: CS6501-NLP, Kai-Wei Chang
  • (Slide) Kuliah 24: Ekstraksi relasi

Kembali ke atas

Sistem

• Deepdive
• Stanford Relation Extractor

Kembali ke atas

Kerangka kerja

• Opennre [github] [kertas]
  • Adalah alat open-source dan extensible yang menyediakan kerangka kerja terpadu untuk mengimplementasikan model saraf untuk ekstraksi hubungan (RE) antara entitas yang disebutkan. Ini dirancang untuk berbagai skenario untuk RE, termasuk RE tingkat kalimat, re-level-level, tingkat dokumen, dan beberapa tembakan. Ini menyediakan berbagai modul RE fungsional berdasarkan TensorFlow dan Pytorch untuk mempertahankan modularitas dan ekstensibilitas yang memadai, membuatnya mudah untuk memasukkan model baru ke dalam kerangka kerja.
• AREKIT [GITHUB] [PAPERAN YANG TERLIHAT]
  • Adalah alat open-source dan extensible yang berfokus pada persiapan data untuk organisasi ekstraksi hubungan tingkat dokumen. Ini melengkapi fungsionalitas OpenNRE, seperti dalam hal yang terakhir, pengaturan RE tingkat dokumen tidak banyak dieksplorasi (2.4 [kertas]). Fungsionalitas inti meliputi (1) API untuk presentasi dokumen dengan EL (Entity Linking, IE Object Sinonim) Dukungan untuk persiapan Tingkat Kalimat (Dijuluki sebagai Konteks) (2) API untuk Konteks Ekstraksi (3) Hubungan yang ditransfer dari Module-Level ke Level Dokumen, dll. Menyediakan Network Seural Forwork (seperti Opennre) dan BERT Modules, BERT Modules, kedokteran FORTIMES.
• Dere [github] [kertas]
  • Adalah kerangka kerja open-source untuk e xtraction yang diklarifikasi , dan oleh karena itu memungkinkan untuk menyatakan tugas Anda sendiri (menggunakan skema XML) dan menerapkan model yang diimplementasikan secara manual untuk itu (menggunakan API yang disediakan). Deklarasi tugas dibangun di atas rentang dan hubungan antara rentang . Dalam hal yang terakhir, penulis mengusulkan bingkai , di mana setiap bingkai teriakan: (1) pemicu (rentang) dan (2) n -slot, di mana setiap slot dapat merujuk pada bingkai atau rentang . Kerangka kerja tidak menimbulkan batasan teoretis pada jendela dari mana bingkai diekstraksi. Dengan demikian, konsep ini dapat mencakup tugas tingkat kalimat, tingkat dokumen dan multi-dokumen.

Kembali ke atas

Lisensi

Sejauh mungkin berdasarkan hukum, Joohong Lee telah melepaskan semua hak cipta dan hak terkait atau tetangga untuk pekerjaan ini.