멋진 관계 추출
Awesome-NLP와 멋진 깊이 vision에서 영감을 얻은 관계 추출에 전념하는 멋진 리소스의 선별 된 목록.
기고 : 풀 요청을 보내 주시기 바랍니다.
내용물
- 연구 동향 및 설문 조사
- 서류
- 감독 된 접근
- 먼 감독 접근
- GNN 기반 모델
- 언어 모델
- 변압기의 인코더 표현
- 변압기로부터의 디코더 표현
- 지식 그래프 기반 접근법
- 소수의 학습 접근
- 데이터 세트
- 비디오 및 강의
- 시스템
- 프레임 워크
연구 동향 및 설문 조사
- NLP 진행 : 관계 추출
- 명명 된 엔티티 인식 및 관계 추출 : 최첨단 (Nasar et al., 2021)
- 관계 추출을위한 딥 러닝 방법에 대한 조사 (Kumar, 2017)
- 관계 추출에 관한 설문 조사 (Bach and Badaskar, 2017)
- 관계 추출 : 조사 (Pawar et al., 2017)
- 엔티티 관계 추출에 대한 검토 (Zhang et al., 2017)
- 관계 추출 방법 검토 : 새로운 란 무엇입니까? (Konstantinova et al., 2014)
- 100 최고의 github : 관계 추출
서류
감독 된 접근
CNN 기반 모델
- 관계 추출을위한 컨볼 루션 신경망 [논문] [코드] [검토]
- Chunyang Liu, Wenbo Sun, Wenhan Chao 및 Wanxiang Che
- ADMA 2013
- Convolutional Deep Neural Network를 통한 관계 분류 [논문] [코드] [검토]
- Daojian Zeng, Kang Liu, Siwei Lai, Guangyou Zhou 및 Jun Zhao
- Coling 2014
- 관계 추출 : Convolutional Neural Networks의 관점 [논문] [코드] [검토]
- Thien Huu Nguyen과 Ralph Grishman
- NAACL 2015
- Convolutional Neural Networks [Paper] [Code]로 순위를 매기어 관계를 분류합니다.
- Cicero Nogueira Dos Santos, Bing Xiang 및 Bowen Zhou
- ACL 2015
- 시맨틱 관계 추출을위한주의 기반 컨볼 루션 신경 네트워크 [논문] [코드]
- Yatian Shen과 Xuanjing Huang
- Coling 2016
- 다단계주의를 통한 관계 분류 CNNS [논문] [코드]
- Linlin Wang, Zhu Cao, Gerard de Melo 및 Zhiyuan Liu
- ACL 2016
- Semeval-2017의 MIT 작업 10 : Convolutional Neural Networks와의 관계 추출 [논문]
- Ji Young Lee, Franck Dernoncourt 및 Peter Szolovits
- Semeval 2017
RNN 기반 모델
- 재발 성 신경망을 통한 관계 분류 [논문]
- Dongxu Zhang과 Dong Wang
- ARXIV 2015
- 관계 분류를위한 양방향 장거리 단기 메모리 네트워크 [논문]
- Shu Zhang, Dequan Zheng, Xinchen Hu 및 Ming Yang
- Paclic 2015
- 시퀀스 및 트리 구조에서 LSTM을 사용한 엔드 투 엔드 관계 추출 [용지]
- Makoto Miwa와 Mohit Bansal
- ACL 2016
- 관계 분류를위한주의 기반 양방향 장기 단기 메모리 네트워크 [논문] [코드]
- Peng Zhou, Wei Shi, Jun Tian, Zhenyu Qi, Bingchen Li, Hongwei Hao 및 Bo Xu
- ACL 2016
- 주의가있는 계층 적 재발 성 신경망을 통한 시맨틱 관계 분류 [논문]
- Minguang Xiao와 Cong Liu
- Coling 2016
- 잠재적 엔티티 입력을 사용하여 엔티티 인식주의를 가진 양방향 LSTM 네트워크를 통한 시맨틱 관계 분류 [논문] [코드]
- Joohong Lee, Sangwoo Seo 및 Yong Suk Choi
- ARXIV 2019
종속성 기반 모델
- 재귀 매트릭스 벡터 공간을 통한 시맨틱 조성성 [논문] [코드]
- Richard Socher, Brody Huval, Christopher D. Manning 및 Andrew Y. NG
- Emnlp-Conll 2012
- 요인 기반 구성 임베딩 모델 [종이]
- Mo Yu, Matthw R. Gormley 및 Mark Dredze
- 학습 Semantics 2014에 대한 NIPS 워크숍
- 관계 분류를위한 종속성 기반 신경망 [논문]
- Yang Liu, Furu Wei, Sujian Li, Heng Ji, Ming Zhou 및 Houfeng Wang
- ACL 2015
- 가장 짧은 종속성 경로를 따라 장기 단기 메모리 네트워크를 통한 관계 분류 [논문] [코드]
- Xu Yan, Lili Mou, Ge Li, Yunchuan Chen, Hao Peng 및 Zhi Jin
- EMNLP 2015
- 간단한 음성 샘플링을 가진 Convolutional Neural Networks를 통한 시맨틱 관계 분류 [논문]
- Kun Xu, Yansong Feng, Songfang Huang 및 Dongyan Zhao
- EMNLP 2015
- 데이터 확대가있는 깊은 재발 성 신경망에 의한 관계 분류 향상 [논문]
- Yan Xu, Ran Jia, Lili Mou, Ge Li, Yunchuan Chen, Yangyang Lu 및 Zhi Jin
- Coling 2016
- 관계 분류를위한 양방향 반복 컨볼 루션 신경 네트워크 [논문]
- Rui Cai, Xiaodong Zhang 및 Houfeng Wang
- ACL 2016
- 내부 중지 소음 감소 및 전이 학습을 통한 신경 관계 추출 [논문]
- Tianyi Liu, Xinsong Zhang, Wanhao Zhou, Weijia Jia
- EMNLP 2018
GNN 기반 모델
- 공란 일치 : 관계 학습을위한 분포 유사성 [논문]
- Livio Baldini Soares, Nicholas Fitzgerald, Jeffrey Ling, Tom Kwiatkowski
- ACL 2019
- 관계의 관계 : 관계 추출 문제의 새로운 패러다임 [논문]
- Zhijing Jin, Yongyi Yang, Xipeng Qiu, Zheng Zhang
- EMNLP 2020
- GDPNET : 관계 추출을위한 잠재적 멀티 뷰 그래프 정제 [논문] [코드]
- Fuzhao Xue, Aixin Sun, Hao Zhang, Eng Siong Chng
- AAAI 21
- 정찰 : 그래프 신경망에서 지식 그래프 컨텍스트를 사용한 관계 추출 [parer] [코드]
- Anson Bastos, Abhishek Nadgeri, Kuldeep Singh, Isaiah Onando Mulang ', Saeedeh Shekarpour, Johannes Hoffart, Manohar Kaul
- www'21
먼 감독 접근
- 라벨링 된 데이터없이 관계 추출에 대한 먼 감독 [논문] [검토]
- Mike Mintz, Steven Bills, Rion Snow 및 Dan Jurafsky
- ACL 2009
- 중복 관계의 정보 추출에 대한 지식 기반 약한 감독 [논문] [코드]
- Raphael Hoffmann, Congle Zhang, Xiao Ling, Luke Zettlemoyer 및 Daniel S. Weld
- ACL 2011
- 관계 추출을위한 다중 인스턴스 멀티 라벨 학습 [논문] [코드]
- Mihai Surdeanu, Julie Tibshirani, Ramesh Nallapati 및 Christopher D. Manning
- Emnlp-Conll 2012
- 부분적인 컨볼 루션 신경망을 통한 관계 추출에 대한 먼 감독 [논문] [검토] [코드]
- Daojian Zeng, Kang Liu, Yubo Chen 및 Jun Zhao
- EMNLP 2015
- 다중 인스턴스의 멀티 라벨 컨볼 루션 신경망과의 관계 추출 [논문] [검토] [코드]
- Xiaotian Jiang, Quan Wang, Peng Li, Bin Wang
- Coling 2016
- 신경 관계 추출에 관계 경로 통합 [논문] [검토]
- Wenyuan Zeng, Yankai Lin, Zhiyuan Liu 및 Maosong Sun
- EMNLP 2017
- 인스턴스에 대한 선택적주의를 가진 신경 관계 추출 [논문] [코드]
- Yankai Lin, Shiqi Shen, Zhiyuan Liu, Huanbo Luan 및 Maosong Sun
- ACL 2017
- 생물 의학 텍스트에서 관계 분류를위한 컨볼 루션 반복 네트워크 모델을 사용하여 지역 및 글로벌 컨텍스트 학습 [논문] [코드] [코드]
- Desh Raj, Sunil Kumar Sahu 및 Ashish Anan
- Conll 2017
- 거칠게 grained주의를 가진 계층 적 관계 추출 [종이] [코드]
- Xu Han, Pengfei Yu *, Zhiyuan Liu, Maosong Sun, Peng Li
- EMNLP 2018
- 거주 : 측면 정보를 사용하여 먼 감독 신경 관계 추출 개선 [논문] [코드]
- Shikhar Vashishth, Rishabh Joshi, Sai Suman Prayaga, Chiranjib Bhattacharyya 및 Partha Talukdar
- EMNLP 2018
- 배그 내 및 배그 간 주목을 통한 먼 감독 관계 추출 [논문] [코드]
- Zhi-Xiu Ye, Zhen-Hua Ling
- NAACL 2019
언어 모델
변압기의 인코더 표현
- 관계 분류를위한 엔터티 정보로 미리 훈련 된 언어 모델을 풍요롭게합니다 [논문]
- Shanchan Wu, Yifan
- ARXIV 2019
- 루크 : 엔티티 인식 자체 변환과의 깊은 맥락화 된 엔티티 표현 [논문] [코드]
- Ikuya Yamada, Akari Asai, Hiroyuki Shindo, Hideaki Takeda, Yuji Matsumoto
- EMNLP 2020
- Spanbert : 스팬을 나타내고 예측하여 사전 훈련 개선 [종이] [코드]
- Mandar Joshi, Danqi Chen, Yinhan Liu, Daniel S. Weld, Luke Zettlemoyer 및 Omer Levy
- TACL 2020 (계산 언어학 협회의 거래)
- DG-Spanbert와의 효율적인 장거리 관계 추출 [종이]
- Jun Chen, Robert Hoehndorf, Mohamed Elhoseiny, Xiangliang Zhang
변압기로부터의 디코더 표현
- 사전 치료 된 언어 표현에 의한 관계 추출 개선 [논문] [검토] [코드]
- Christoph Alt, Marc Hübner, Leonhard Hennig
- AKBC 19
지식 그래프 기반 접근법
- KGPOOL : 관계 추출을위한 동적 지식 그래프 컨텍스트 선택 [논문] [코드]
- Abhishek Nadgeri, Anson Bastos, Kuldeep Singh, Isaiah Onando Mulang, Johannes Hoffart, Saeedeh Shekarpour 및 Vijay Saraswat
- ACL 2021 (발견)
소수의 학습 접근
- 소수 : 최첨단 평가를 통해 대규모 감독 소수의 관계 분류 데이터 세트 [논문] [웹 사이트] [코드]
- Xu Han, Hao Zhu, Pengfei Yu, Ziyun Wang, Yuan Yao, Zhiyuan Liu, Maosong Sun
- EMNLP 2018
여러 가지 잡다한
- 효과적인 깊은 순위를 통해 계급 관계와 공동으로 추출 [종이]
- Hai Ye, Wenhan Chao, Zhunchen Luo 및 Zhoujun Li
- ACL 2017
- 글로벌 최적화를 통한 엔드 투 엔드 신경 관계 추출 [논문]
- Meishan Zhang, Yue Zhang 및 Guohong Fu
- EMNLP 2017
- 관계 추출을위한 적대적 훈련 [종이]
- Yi Wu, David Bamman 및 Stuart Russell
- EMNLP 2017
- 생의학 텍스트에서 실체 및 관계 추출을위한 신경 관절 모델 [논문]
- Fei Li, Meishan Zhang, Guoong Fu 및 Donghong Ji
- BMC 생물 정보학 2017
- 강화 학습 및 딥 러닝을 사용한 실체 및 관계의 공동 추출 [종이]
- Yuntian Feng, Hongjun Zhang, Wenning Hao 및 Gang Chen
- 전산 지능 및 신경 과학 저널 2017
- TDEER : 엔티티 및 관계의 공동 추출을위한 효율적인 번역 디코딩 스키마 [논문] [코드]
- Xianming Li, Xiaotian Luo, Chenghao Dong, Daichuan Yang, Beidi Luan 및 Zhen HE
- EMNLP 2021
위로 돌아갑니다
데이터 세트
- SEMEVAL-2010 작업 8 [종이] [다운로드]
- 유목민 쌍 사이의 의미 론적 관계의 다중 웨이 분류
- 뉴욕 타임즈 (NYT) 코퍼스 [종이] [다운로드]
- 이 데이터 세트는 Freebase 관계를 NYT 코퍼스와 정렬하여 생성되었으며 2005-2006 년의 문장은 훈련 코퍼스로 사용되었으며 2007 년부터 테스트 코퍼스로 사용되었습니다.
- 소수 : 소수의 관계 분류 데이터 세트 [논문] [웹 사이트]
- 이 데이터 세트는 감독 된 소수의 관계 분류 데이터 세트입니다. 코퍼스는 Wikipedia이며 코퍼스에 주석을 달 때 사용되는 지식 기반은 Wikidata입니다.
- TACRED : TAC 관계 추출 데이터 세트 [논문] [웹 사이트] [다운로드]
- 연간 TAC KBP (TAC KBP) 과제에 사용되는 코퍼스의 뉴스 와이어 및 웹 텍스트를 구축 한 대규모 관계 추출 데이터 세트입니다.
- ACE05 : [웹 사이트] [Download-Info]
- 이 데이터 세트는 방송 대화, 방송 뉴스, 뉴스 그룹, 웹 로그와 같은 다양한 소스에서 추출한 텍스트를 나타냅니다. 엔티티의 7 가지 유형 사이의 6 가지 관계 유형 : Acility (FAC), 지정 학적 (GPE), 위치 (LOC), 조직 (ORG), 사람 (PER), 차량 (차량), 무기 (WEA).
- SEMEVAL-2018 작업 7 [논문] [웹 사이트] [다운로드]
- 코퍼스는 과학 논문의 초록과 소개에서 수집되며 총 6 가지 의미 론적 관계가 있습니다. IT에는 세 가지 하위 작업이 있습니다. 하위 작업 1.1과 하위 작업 1.2는 각각 깨끗하고 시끄러운 데이터에 대한 관계 분류입니다. 하위 작업 2는 표준 관계 추출입니다.
최첨단 결과는 관계 추출에 대한 nlpprogress.com을 확인하십시오.
위로 돌아갑니다
비디오 및 강의
- 스탠포드 대학교 : CS124, Dan Jurafsky
- 워싱턴 대학 : CSE517, Luke Zettlemoyer
- (슬라이드) 관계 추출 1
- (슬라이드) 관계 추출 2
- 뉴욕 대학 : CSCI-GA.2590, Ralph Grishman
- 미시간 대학교 : Coursera, Dragomir R. Radev
- 버지니아 대학교 : CS6501-NLP, Kai-Wei Chang
위로 돌아갑니다
시스템
위로 돌아갑니다
프레임 워크
- Opennre [github] [종이]
- 명명 된 엔티티 간의 관계 추출 (RE)을위한 신경 모델을 구현하기위한 통합 프레임 워크를 제공하는 오픈 소스 및 확장 가능한 툴킷입니다. 문장 수준 RE, 백 레벨 RE, 문서 수준 RE 및 소수의 RE를 포함하여 RE의 다양한 시나리오를 위해 설계되었습니다. 텐서 플로 및 Pytorch를 기반으로 다양한 기능적 RE 모듈을 제공하여 충분한 모듈성 및 확장 성을 유지하여 새로운 모델을 프레임 워크에 쉽게 통합 할 수있게됩니다.
- Arekit [Github] [연구 적용 가능한 종이]
- 문서 수준 관계 추출 조직을위한 데이터 준비에 중점을 둔 오픈 소스 및 확장 가능한 툴킷입니다. 후자의 관점에서 문서 수준 RE 설정이 널리 탐색되지 않는 OpenNRE 기능을 보완합니다 (2.4 [논문]). 핵심 기능에는 (1) EL (Entity Linking, IE Object Synonymy)이 포함 된 문서 프리젠 테이션에 대한 API가 포함됩니다. 문장 수준 관계 준비 (컨트 텍스로 더빙) (2) 컨텍스트 추출에 대한 API (3) 문장 수준에서 문서 수준에서 전달되는 관계 (개방형) 및 BERT 모드 모두를 제공합니다.
- Dere [github] [종이]
- Claritive Relation extraction 의 오픈 소스 프레임 워크이므로 (XML Schemas를 사용하여) 자신의 작업을 선언하고 (제공된 API 사용) 수동으로 구현 된 모델을 적용 할 수 있습니다. 작업 선언은 스팬 과 스팬 사이의 관계를 기반으로합니다. 후자의 관점에서, 저자는 (1) 트리거 (Span) 및 (2) N- 슬롯의 모든 프레임이 옐드를 제안하는 프레임을 제안합니다. 여기서 모든 슬롯은 프레임 또는 스팬 을 참조 할 수 있습니다. 프레임 워크는 프레임이 추출되는 창에 이론적 인 제한을 제기하지 않습니다. 따라서이 개념은 문장 수준, 문서 수준 및 다중 문서 RE 작업을 다룰 수 있습니다.
위로 돌아갑니다
특허
법에 따라 가능한 한, Joohong Lee는이 사업에 대한 모든 저작권 및 관련 또는 이웃 권리를 포기했습니다.
