Extração incrível de relação
Uma lista com curadoria de recursos impressionantes dedicados à extração de relações, inspirados em Awesome-NLP e visão impressionante.
Contribuindo : Por favor, sinta -se à vontade para fazer solicitações de tração .
Conteúdo
- Tendências e pesquisas de pesquisa
- Papéis
- Abordagens supervisionadas
- Abordagens de supervisão distantes
- Modelos baseados em GNN
- Modelos de idiomas
- Representação do codificador do transformador
- Representação do decodificador do transformador
- Abordagens baseadas em gráficos de conhecimento
- Abordagens de aprendizado de poucos tiros
- Conjuntos de dados
- Vídeos e palestras
- Sistemas
- Estruturas
Tendências e pesquisas de pesquisa
- Progresso da PNL: extração de relacionamento
- Nomeado reconhecimento de entidades e extração de relação: ponta (Nasar et al., 2021)
- Uma pesquisa com métodos de aprendizado profundo para extração de relação (Kumar, 2017)
- Uma pesquisa sobre extração de relações (Bach e Badaskar, 2017)
- Extração de relações: uma pesquisa (Pawar et al., 2017)
- Uma revisão sobre extração da relação de entidade (Zhang et al., 2017)
- Revisão dos métodos de extração de relação: O que há de novo por aí? (Konstantinova et al., 2014)
- 100 melhores github: extração de relação
Papéis
Abordagens supervisionadas
Modelos baseados na CNN
- Rede neural de convolução para extração de relação [Paper] [Código] [Revisão]
- Chunyang Liu, Wenbo Sun, Wenhan Chao e Wanxiang Che
- Adma 2013
- Classificação de relação via Rede Neural Convolucional Deep [Paper] [Código] [Revisão]
- Daojian Zeng, Kang Liu, Siwei Lai, Guangyou Zhou e Jun Zhao
- Coling 2014
- Extração de relação: perspectiva das redes neurais convolucionais [Paper] [Código] [Revisão]
- Thien Huu Nguyen e Ralph Grishman
- NAACL 2015
- Classificando as relações classificando com redes neurais convolucionais [Paper] [Código]
- Cicero Nogueira dos Santos, Bing Xiang e Bowen Zhou
- ACL 2015
- Rede neural convolucional baseada em atenção para extração de relação semântica [Paper] [Código]
- Yatian Shen e Xuanjing Huang
- Coling 2016
- Classificação de relação via atenção multinível CNNs [Paper] [Código]
- Linlin Wang, Zhu Cao, Gerard de Melo e Zhiyuan Liu
- ACL 2016
- MIT na Semeval-2017 Tarefa 10: Extração de relação com redes neurais convolucionais [Paper]
- Ji Young Lee, Franck Dernoncourt e Peter Szolovits
- Semval 2017
Modelos baseados em RNN
- Classificação de relação via rede neural recorrente [papel]
- Dongxu Zhang e Dong Wang
- ARXIV 2015
- Redes de memória de curto prazo de longo prazo bidirecionais para classificação de relação [papel]
- Shu Zhang, Dequan Zheng, Xinchen Hu e Ming Yang
- Paclic 2015
- Extração de relações de ponta a ponta usando LSTMs em sequências e estrutura de árvores [papel]
- Makoto Miwa e Mohit Bansal
- ACL 2016
- Redes de memória de curto prazo de longo prazo baseadas em atenção para classificação de relação [Paper] [Código]
- Peng Zhou, Wei Shi, Jun Tian, Zhenyu Qi, Bingchen Li, Hongwei Hao e Bo Xu
- ACL 2016
- Classificação de relação semântica via rede neural recorrente hierárquica com atenção [papel]
- Minguang Xiao e Cong Liu
- Coling 2016
- Classificação de relação semântica por meio de redes LSTM bidirecionais com atenção consciente da entidade usando a digitação de entidade latente [Paper] [Código]
- Joohong Lee, Sangwoo Seo e Yong Suk Choi
- ARXIV 2019
Modelos baseados em dependência
- Composicionalidade semântica através de espaços de vetor de matriz recursiva [Paper] [Código]
- Richard Socher, Brody Huval, Christopher D. Manning e Andrew Y. Ng
- EMNLP-CONLL 2012
- Modelos de incorporação de composição baseados em fatores [papel]
- Mo Yu, Matthw R. Gormley e Mark Dredze
- Workshop do NIPS sobre Aprendizagem Semântica 2014
- Uma rede neural baseada em dependência para classificação de relação [artigo]
- Yang Liu, Furu Wei, Sujian Li, Heng Ji, Ming Zhou e Houfeng Wang
- ACL 2015
- Classificando as relações através de redes de memória de curto prazo de longo prazo ao longo do caminho de dependência mais curto [papel] [Código]
- Xu Yan, Lili Mou, Ge Li, Yunchuan Chen, Hao Peng e Zhi Jin
- EMNLP 2015
- Classificação de relação semântica por meio de redes neurais convolucionais com amostragem negativa simples [papel]
- Kun Xu, Yansong Feng, Songfang Huang e Dongyan Zhao
- EMNLP 2015
- Classificação de relação aprimorada por redes neurais recorrentes profundas com aumento de dados [artigo]
- Yan Xu, Ran Jia, Lili Mou, Ge Li, Yunchuan Chen, Yangyang Lu e Zhi Jin
- Coling 2016
- Rede neural convolucional recorrente bidirecional para classificação de relação [papel]
- Rui Cai, Xiaodong Zhang e Houfeng Wang
- ACL 2016
- Extração de relação neural por meio de redução de ruído e aprendizado de transferência [papel]
- Tianyi Liu, Xinsong Zhang, Wanhao Zhou, Weijia Jia
- EMNLP 2018
Modelos baseados em GNN
- Combinando os espaços em branco: similaridade distributiva para a aprendizagem de relações [papel]
- Livio Baldini Soares, Nicholas Fitzgerald, Jeffrey Ling, Tom Kwiatkowski
- ACL 2019
- Relação das relações: um novo paradigma do problema de extração de relação [papel]
- Zhijing Jin, Yongyi Yang, Xipeng Qiu, Zheng Zhang
- EMNLP 2020
- GDPNET: Refinando o gráfico latente de várias visualizações para extração de relação [Paper] [Código]
- Fuzhao Xue, Aixin Sun, Hao Zhang, Eng Siong Chng
- AAAI 21
- Recon: Extração de relação usando o contexto do gráfico do conhecimento em uma rede neural gráfica [parer] [código]
- Anson Bastos, Abhishek Nadgeri, Kuldeep Singh, Isaiah Onando Mulang ', Saeedeh Shekarpour, Johannes Hoffart, Manohar Kaul
- Www'21
Abordagens de supervisão distantes
- Supervisão distante para extração de relação sem dados rotulados [Paper] [revisão]
- Mike Mintz, Steven Bills, Rion Snow e Dan Jurafsky
- ACL 2009
- Supervisão fraca baseada no conhecimento para extração de informações de relações sobrepostas [papel] [Código]
- Raphael Hoffmann, Congle Zhang, Xiao Ling, Luke Zettlemoyer e Daniel S. Weld
- ACL 2011
- Aprendizagem multi-instância para extração de relação [Paper] [Código]
- Mihai Surdeanu, Julie Tibshirani, Ramesh Nallapati e Christopher D. Manning
- EMNLP-CONLL 2012
- Supervisão distante para extração de relação via redes neurais convolucionais por partes [Paper] [Review] [Código]
- Daojian Zeng, Kang Liu, Yubo Chen e Jun Zhao
- EMNLP 2015
- Extração de relações com redes neurais convolucionais multi-instâncias [Artigo] [Código] [Código]
- Xiaotian Jiang, Quan Wang, Peng Li, Bin Wang
- Coling 2016
- Incorporando os caminhos de relação na extração de relação neural [Paper] [revisão]
- Wenyuan Zeng, Yankai Lin, Zhiyuan Liu e Maosong Sun
- EMNLP 2017
- Extração de relação neural com atenção seletiva sobre instâncias [papel] [Código]
- Yankai Lin, Shiqi Shen, Zhiyuan Liu, Huanbo Luan e Maosong Sun
- ACL 2017
- Aprendendo contextos locais e globais usando um modelo de rede recorrente convolucional para classificação de relação em texto biomédico [Paper] [código] [Código]
- Desh Raj, Sunil Kumar Sahu e Ashish Anan
- Conll 2017
- Extração de relação hierárquica com atenção grossa grossa para fino [papel] [Código]
- Xu Han, Pengfei Yu ∗, Zhiyuan Liu, Maosong Sun, Peng Li
- EMNLP 2018
- Reside: Melhorando a extração de relação neural supervisionada distante usando informações laterais [Paper] [Código]
- Shikhar Vashishth, Rishabh Joshi, Sai Suman Prayaga, Chiranjib Bhattacharyya e Partha Talukdar
- EMNLP 2018
- Extração de relação de supervisão distante com as atenções intra-BAG e inter-BAG [Paper] [Código]
- Zhi-xiu ye, zhen-hua ling
- NAACL 2019
Modelos de idiomas
Representação do codificador do transformador
- Modelo de idioma pré-treinado enriquecedor com informações de entidade para classificação de relações [papel]
- Shanchan Wu, Yifan ele
- ARXIV 2019
- Lucas: Representações de entidades contextualizadas profundas com auto-atimento com reconhecimento de entidade [Paper] [Código]
- Ikuya Yamada, Akari asai, Hiroyuki Shindo, Hideaki Takeda, Yuji Matsumoto
- EMNLP 2020
- Spanbert: Melhorando o pré-treinamento representando e prevendo vãos [Paper] [Código]
- Mandar Joshi, Danqi Chen, Yinhan Liu, Daniel S. Weld, Luke Zettlemoyer e Omer Levy
- TACL 2020 (Transações da Associação para Linguística Computacional)
- Extração de relação de longa distância eficiente com DG-Spanbert [Paper]
- Jun Chen, Robert Hoehndorf, Mohamed Elhoseiny, Xiangliang Zhang
Representação do decodificador do transformador
- Melhorando a extração de relações por representações de idiomas pré -criadas [Paper] [Revisão] [Código]
- Christoph Alt, Marc Hübner, Leonhard Hennig
- Akbc 19
Abordagens baseadas em gráficos de conhecimento
- KGPOOL: Seleção de contexto de gráfico de conhecimento dinâmico para extração de relação [Paper] [Código]
- Abhishek Nadgeri, Anson Bastos, Kuldeep Singh, Isaiah Onando Mulang, Johannes Hoffart, Saeedeh Shekarpour e Vijay Saraswat
- ACL 2021 (descobertas)
Abordagens de aprendizado de poucos tiros
- Fewrel: Um conjunto de dados de classificação de relações de poucos tiros supervisionado em larga escala com avaliação de última geração [Paper] [Site] [Código]
- Xu Han, Hao Zhu, Pengfei Yu, Ziyun Wang, Yuan Yao, Zhiyuan Liu, Maosong Sun
- EMNLP 2018
Variado
- Extraindo conjuntamente as relações com laços de classe por meio de classificação profunda eficaz [papel]
- Hai Ye, Wenhan Chao, Zhunchen Luo e Zhoujun Li
- ACL 2017
- Extração de relação neural de ponta a ponta com otimização global [papel]
- Meishan Zhang, Yue Zhang e Guohong Fu
- EMNLP 2017
- Treinamento adversário para extração de relação [Artigo]
- Yi Wu, David Bamman e Stuart Russell
- EMNLP 2017
- Um modelo articular neural para extração de entidade e relação do texto biomédico [papel]
- Fei Li, Meishan Zhang, Guohong Fu e Donghong Ji
- BMC Bioinformatics 2017
- Extração conjunta de entidades e relações usando aprendizado de reforço e aprendizado profundo [papel]
- Yuntian Feng, Hongjun Zhang, Wenning Hao e Gang Chen
- Journal of Computational Intelligence and Neuroscience 2017
- TDEER: Um esquema de decodificação de tradução eficiente para extração conjunta de entidades e relações [Paper] [Código]
- Xianming Li, Xiaotian Luo, Chenghao Dong, Daichuan Yang, Beidi Luan e Zhen Ele
- EMNLP 2021
De volta ao topo
Conjuntos de dados
- Semeval-2010 Tarefa 8 [Paper] [Download]
- Classificação de várias vias de relações semânticas entre pares de nominais
- New York Times (NYT) Corpus [Paper] [Download]
- Esse conjunto de dados foi gerado alinhando as relações de freebase com o NYT Corpus, com sentenças dos anos 2005-2006 usadas como corpus de treinamento e sentenças de 2007 usadas como corpus de teste.
- Fewrel: conjunto de dados de classificação de relações com poucas fotos [Paper] [Site]
- Este conjunto de dados é um conjunto de dados de classificação de relações de poucos tiros supervisionado. O corpus é a Wikipedia e a base de conhecimento usada para anotar o corpus é Wikidata.
- Tacred: o conjunto de dados de extração de relação TAC [Paper] [Site] [Download]
- É um conjunto de dados de extração de relações em larga escala, com base em Newswire e textos da web do corpus usado nos desafios anuais da população da base de conhecimento TAC (TAC KBP).
- ACE05: [Site] [Download-Info]
- Esse conjunto de dados representa textos extraídos de uma variedade de fontes: conversas de transmissão, notícias de transmissão, grupos de notícias, blogs. Os 6 tipos de relação entre 7 tipos de entidades: ACILIDADE (FAC), GEO-POLITICALENTITY (GPE), Localização (LOC), Organização (ORG), Pessoa (PER), Veículo (Veh), Arma (WEA).
- Semeval-2018 Tarefa 7 [Paper] [Site] [Download]
- O corpus é coletado de resumos e introduções de artigos científicos, e existem seis tipos de relações semânticas no total. Existem três subtarefas: subtarefa 1.1 e subtarefa 1.2 são classificação de relação com dados limpos e barulhentos, respectivamente; A subtarefa 2 é a extração de relação padrão.
Para resultados de última geração, confira nlprogress.com sobre extração de relação
De volta ao topo
Vídeos e palestras
- Universidade de Stanford: CS124, Dan Jurafsky
- (VÍDEO) Semana 5: Extração de relação e pergunta
- Universidade de Washington: CSE517, Luke Zettlemoyer
- (Slide) Extração de relação 1
- (Slide) Extração de relação 2
- Universidade de Nova York: CSCI-GA.2590, Ralph Grishman
- (Slide) Extração de relação: abordagens baseadas em regras
- Universidade de Michigan: Coursera, Dragomir R. Radev
- (Vídeo) Palestra 48: Extração de relação
- Universidade da Virgínia: CS6501-NLP, Kai-Wei Chang
- (Slide) Palestra 24: Extração de relação
De volta ao topo
Sistemas
- Deepdive
- Extrator de relação de Stanford
De volta ao topo
Estruturas
- Opennre [github] [papel]
- É um kit de ferramentas de código aberto e extensível que fornece uma estrutura unificada para implementar modelos neurais para extração de relação (re) entre entidades nomeadas. Ele foi projetado para vários cenários para RE, incluindo Re-Level Re, Re-Le, nível de documentos Re, e poucos anos. Ele fornece vários módulos funcionais de ER baseados no Tensorflow e no Pytorch para manter modularidade e extensibilidade suficientes, tornando -o fácil incorporar novos modelos na estrutura.
- Arekit [Github] [Prapa de Pesquisa-Aplicável]
- É um kit de ferramentas de código aberto e extensível focado na preparação de dados para organização de extração de relação de nível de documentação. Ele complementa a funcionalidade do OpenNRE, como em termos desta última, a configuração de RE no nível de documentos não é amplamente explorada (2.4 [Paper]). A funcionalidade principal inclui (1) API para a apresentação de documentos com EL (vinculação da entidade, ou seja, sinonímia do objeto) para preparação de relações de nível de sentença (apelidada de contextos) (2) API para extração de contextos (3) Relações de transferência de sessões do nível de sentença.
- Dere [github] [papel]
- É uma estrutura de código aberto para a reação e xtração de clarificação e, portanto, permite declarar sua própria tarefa (usando esquemas XML) e aplicar modelos implementados manualmente em relação a ele (usando uma API fornecida). A declaração de tarefas se baseia no topo dos vãos e relações entre vãos . Em termos deste último, os autores propõem quadros , onde todos os gritos de quadros de: (1) gatilho (span) e (2) n -lotes, onde cada slot pode se referir ao quadro ou span . A estrutura não representa restrições teóricas à janela da qual os quadros são extraídos. Assim, esse conceito pode cobrir as tarefas no nível da sentença, no nível de documentos e no documento multi-documentos.
De volta ao topo
Licença
Na medida do possível, Joohong Lee renunciou a todos os direitos autorais e direitos relacionados ou vizinhos a este trabalho.
