awesome relation extraction

很棒的关系提取

精心策划的很棒的资源列表，专门针对关系提取，灵感来自Awesome-NLP和Awesome-Deep-Vision。

贡献：请随时提出拉。

内容

• 研究趋势和调查
• 文件
  • 监督方法
  • 遥远的监督方法
  • 基于GNN的模型
  • 语言模型
    • 变压器的编码器表示
    • 变压器的解码器表示
  • 基于知识图的方法
  • 几乎没有学习的方法
• 数据集
• 视频和讲座
• 系统
• 框架

研究趋势和调查

• NLP进度：关系提取
• 命名实体识别和关系提取：最先进（Nasar等，2021）
• 对关系提取的深度学习方法的调查（Kumar，2017年）
• 关于关系提取的调查（Bach和Badaskar，2017年）
• 关系提取：调查（Pawar等，2017）
• 关于实体关系提取的综述（Zhang等，2017）
• 关系提取方法的评论：那里有什么新的？ （Konstantinova等，2014）
• 100最佳github：关系提取

文件

监督方法

基于CNN的模型

• 关系提取的卷积神经网络[论文] [代码] [评论]
  • Chunyang Liu，Wenbo Sun，Wenhan Chao和Wanxiang Che
  • ADMA 2013
• 通过卷积深神经网络[Paper] [Code] [Review]的关系分类
  • Daojian Zeng，Kang Liu，Siwei Lai，Guangyou Zhou和Jun Zhao
  • 2014年殖民地
• 关系提取：卷积神经网络的观点[纸] [代码] [评论]
  • Thien Huu Nguyen和Ralph Grishman
  • NAACL 2015
• 通过与卷积神经网络排名[Paper] [代码]来对关系进行分类
  • Cicero Nogueira Dos Santos，Bing Xiang和Bowen Zhou
  • ACL 2015
• 基于注意的语义关系提取的卷积神经网络[纸] [代码]
  • Yatian Shen和Xuanjing Huang
  • Coling 2016
• 通过多层次注意CNN的关系分类[Paper] [代码]
  • Linlin Wang，Zhu Cao，Gerard de Melo和Zhiyuan Liu
  • ACL 2016
• MIT在Semeval-2017任务10：与卷积神经网络的关系提取[纸]
  • JI Young Lee，Franck Dernoncourt和Peter Szolovits
  • Semeval 2017

基于RNN的模型

• 通过复发神经网络的关系分类[纸]
  • Dongxu Zhang和Dong Wang
  • Arxiv 2015
• 双向长期短期记忆网络用于关系分类[纸]
  • Shu Zhang，Dequan Zheng，Xinchen Hu和Ming Yang
  • 2015 PACLIC
• 使用LSTM在序列和树结构上使用LSTM的端到端关系提取[纸]
  • Makoto Miwa和Mohit Bansal
  • ACL 2016
• 基于注意力的双向长期短期记忆网络用于关系分类[paper] [代码]
  • Peng Zhou，Wei Shi，Jun Tian，Zhenyu Qi，Bingchen Li，Hongwei Hao和Bo Xu
  • ACL 2016
• 通过分层复发性神经网络的语义关系分类，并注意[纸]
  • minguang Xiao和cong liu
  • Coling 2016
• 通过双向LSTM网络进行语义关系分类，并使用潜在实体键入[paper] [代码]
  • Joohong Lee，Sangwoo Seo和Yong Suk Choi
  • Arxiv 2019

基于依赖关系的模型

• 通过递归矩阵矢量空间[Paper] [代码]的语义组成性
  • 理查德·索切尔（Richard Socher），布罗迪·霍瓦尔（Brody Huval），克里斯托弗·D·曼宁（Christopher D.
  • Emnlp-Conll 2012
• 基于因子的成分嵌入模型[纸]
  • Mo Yu，Matthw R. Gormley和Mark Dredze
  • NIPS学习语义的研讨会2014
• 基于依赖关系的神经网络用于关系分类[论文]
  • Yang Liu，Furu Wei，Sujian Li，Heng JI，Ming Zhou和Houfeng Wang
  • ACL 2015
• 通过最短的依赖性路径[Paper] [代码]通过长期短期内存网络对关系进行分类
  • Xu Yan，Lili Mou，Ge Li，Yunchuan Chen，Hao Peng和Zhi Jin
  • EMNLP 2015
• 通过简单负抽样的卷积神经网络进行语义关系分类[纸]
  • Kun Xu，Yansong Feng，Songfang Huang和Dongyan Zhao
  • EMNLP 2015
• 通过数据增强的深度复发神经网络改善了关系分类[纸]
  • Yan Xu，Ran Jia，Lili Mou，Ge Li，Yunchuan Chen，Yangyang Lu和Zhi Jin
  • Coling 2016
• 双向反复卷积神经网络用于关系分类[纸]
  • Rui Cai，Xiaodong Zhang和Houfeng Wang
  • ACL 2016
• 神经关系通过降低和转移学习的神经关系提取[纸]
  • Tianyi Liu，Xinsong Zhang，Wanhao Zhou，Weijia Jia
  • EMNLP 2018

基于GNN的模型

• 匹配空白：关系学习的分布相似性[论文]
  • Livio Baldini Soares，Nicholas Fitzgerald，Jeffrey Ling，Tom Kwiatkowski
  • ACL 2019
• 关系的关系：关系提取问题的新范式[纸]
  • Zhijing Jin，Yongyi Yang，Xipeng Qiu，Zheng Zhang
  • EMNLP 2020
• GDPNET：用于关系提取的潜在多视图图[Paper] [代码]
  • Fuzhao Xue，Aixin Sun，Hao Zhang，Eng Siong Chng
  • AAAI 21
• 侦察：使用图形神经网络中的知识图上下文的关系提取[Parer] [代码]
  • Anson Bastos，Abhishek Nadgeri，Kuldeep Singh，Isaiah Onando Mulang'，Saeedeh Shekarpour，Johannes Hoffart，Manohar Kaul
  • www'21

遥远的监督方法

• 无标记的数据[论文] [评论]的远处进行关系提取的监督
  • Mike Mintz，Steven Bills，Rion Snow和Dan Jurafsky
  • ACL 2009
• 基于知识的薄弱监督，对重叠关系的信息提取[论文] [代码]
  • Raphael Hoffmann，Congle Zhang，Xiao Ling，Luke Zettlemoyer和Daniel S. Weld
  • ACL 2011
• 多标签的多标签学习用于关系提取[纸] [代码]
  • Mihai Surdeanu，Julie Tibshirani，Ramesh Nallapati和Christopher D. Manning
  • Emnlp-Conll 2012
• 通过分段卷积神经网络提取关系提取的远处监督[论文] [评论] [代码]
  • Daojian Zeng，Kang Liu，Yubo Chen和Jun Zhao
  • EMNLP 2015
• 与多标签多标签卷积神经网络的关系提取[论文] [评论] [代码]
  • 小江，Quan Wang，Peng Li，Bin Wang
  • Coling 2016
• 将关系路径纳入神经关系提取[论文] [审查]
  • Wenyuan Zeng，Yankai Lin，Zhiyuan Liu和Maosong Sun
  • EMNLP 2017
• 神经关系提取，在实例上有选择性注意[纸] [代码]
  • Yankai Lin，Shiqi Shen，Zhiyuan Liu，Huanbo Luan和Maosong Sun
  • ACL 2017
• 使用卷积复发网络模型学习本地和全球上下文，以在生物医学文本[Paper] [Code] [代码]中进行关系分类
  • Desh Raj，Sunil Kumar Sahu和Ashish Anan
  • Conll 2017
• 层次关系提取与粗到细粒度的注意[纸] [代码]
  • Xu Han，Pengfei Yu ∗，Zhiyuan Liu，Maosong Sun，Peng Li
  • EMNLP 2018
• 居住：使用附带信息[纸] [代码]改善远程监督的神经关系提取提取
  • Shikhar Vashishth，Rishabh Joshi，Sai Suman Prayaga，Chiranjib Bhattacharyya和Partha Talukdar
  • EMNLP 2018
• 远处的监督关系提取，袋中和袋间的注意力[纸] [代码]
  • zhi-xiu ye，zhen-hua ling
  • NAACL 2019

语言模型

变压器的编码器表示

• 通过实体信息来丰富预训练的语言模型以进行关系分类[论文]
  • Shanchan Wu，Yifan他
  • Arxiv 2019
• 路加福音：具有实体感知自我注意力的深层背景化实体表示[论文] [代码]
  • Ikuya Yamada，Akari Asai，Hiroyuki Shindo，Hideaki Takeda，Yuji Matsumoto
  • EMNLP 2020
• Spanbert：通过表示和预测跨度[Paper] [代码]来改善预训练
  • 普通话乔希，丹奇·陈，Yinhan Liu，Daniel S. Weld，Luke Zettlemoyer和Omer Levy
  • TACL 2020（计算语言学协会的交易）
• DG-Spanbert有效的长距离关系提取[纸]
  • Jun Chen，Robert Hoehndorf，Mohamed Elhoseiny，Xiangliang Zhang

变压器的解码器表示

• 通过验证的语言表示[论文] [评论] [代码]改善关系提取
  • 克里斯托夫·阿尔特（Christoph Alt），马克·赫伯纳（MarcHübner）
  • AKBC 19

基于知识图的方法

• KGPOOL：有关关系提取的动态知识图上下文选择[Paper] [代码]
  • Abhishek Nadgeri，Anson Bastos，Kuldeep Singh，Isaiah Onando Mulang，Johannes Hoffart，Saeedeh Shekarpour和Vijay Saraswat
  • ACL 2021（发现）

几乎没有学习的方法

• Lightrel：带有最先进评估的大规模监督的很少射击关系分类数据集[PAPER] [WESTEND] [CODE] [代码]
  • Xu Han，Hao Zhu，Pengfei Yu，Ziyun Wang，Yuan Yao，Zhiyuan Liu，Maosong Sun
  • EMNLP 2018

各种各样的

• 通过有效的深度排名共同提取与阶级关系的关系[纸]
  • Hai Ye，Wenhan Chao，Zhunchen Luo和Zhoujun li
  • ACL 2017
• 全球优化的端到端神经关系提取[论文]
  • Meishan Zhang，Yue Zhang和Guohong Fu
  • EMNLP 2017
• 对抗性培训的关系提取[纸]
  • Yi Wu，David Bamman和Stuart Russell
  • EMNLP 2017
• 实体和关系从生物医学文本提取的神经关节模型[纸]
  • Fei Li，Meishan Zhang，Guohong Fu和Donghong Ji
  • BMC生物信息学2017
• 使用强化学习和深度学习的联合提取实体和关系[论文]
  • Yuntian Feng，Hongjun Zhang，Wenning Hao和Gang Chen
  • 计算智能与神经科学杂志2017
• TDER：一种有效的翻译解码模式，用于联合提取实体和关系[论文] [代码]
  • 西林·李（Xianming Li），小卢（Xiaotian Luo），成豪dong，daichuan Yang，Beidi Luan和Zhen他
  • EMNLP 2021

回到顶部

数据集

• Semeval-20110任务8 [Paper] [下载]
  • 象征性对之间的语义关系的多路分类
• 纽约时报（NYT）语料库[纸] [下载]
  • 该数据集是通过将freebase关系与NYT语料库保持一致的，并用2005-2006年的句子用作培训语料库和2007年的句子，并用作测试语料库。
• Lightrel：很少射击关系分类数据集[Paper] [网站]
  • 该数据集是一个受监管的几个射击关系分类数据集。语料库是Wikipedia，用于注释语料库的知识库是Wikidata。
• Tacred：TAC关系提取数据集[Paper] [网站] [下载]
  • 是一个大规模的关系提取数据集，该数据集具有在新闻周期内建立的，并且来自年度TAC知识库人口（TAC KBP）挑战的语料库中的Web文本。
• ACE05：[网站] [下载Info]
  • 该数据集代表从各种来源提取的文本：广播对话，广播新闻，新闻组，博客。实体上7种类型之间的6种关系类型：Acility（FAC），地理政治性（GPE），位置（LOC），组织（组织（ORG），人（PER），车辆（车辆），武器（WEA）。
• Semeval-2018任务7 [Paper] [网站] [下载]
  • 该语料库是从摘要和科学论文的介绍中收集的，总共有六种类型的语义关系。它有三个子任务：子任务1.1和子任务1.2分别是清洁和嘈杂数据的关系分类；子任务2是标准关系提取。

有关最新结果

回到顶部

视频和讲座

• 斯坦福大学：CS124，Dan Jurafsky
  • （视频）第5周：关系提取和问题
• 华盛顿大学：CSE517，Luke Zettlemoyer
  • （幻灯片）关系提取1
  • （幻灯片）关系提取2
• 纽约大学：CSCI-GA.2590，Ralph Grishman
  • （幻灯片）关系提取：基于规则的方法
• 密歇根大学：Coursera，Dragomir R. Radev
  • （视频）讲座48：关系提取
• 弗吉尼亚大学：CS6501-NLP，Kai-Wei Chang
  • （幻灯片）讲座24：关系提取

回到顶部

系统

• 深色
• 斯坦福关系提取器

回到顶部

框架

• Opennre [github] [纸]
  • 是一种开源和可扩展的工具包，它提供了一个统一的框架，以实现命名实体之间的关系提取（RE）的神经模型。它专为RE的各种场景而设计，包括句子级RE，行李级RE，Document-Devel级RE和少量RE。它提供了基于张力流和pytorch的各种功能性RE模块，以保持足够的模块化和扩展性，从而使将新模型纳入框架变得很容易。
• arekit [github] [研究 - 可涂纸]
  • 是一个开源和可扩展的工具包，专注于文档级别关系提取组织的数据准备。它可以补充开放式功能，就像后者一样，文档级RE设置未被广泛探索（2.4 [Paper]）。核心功能包括（1）API用于文档显示与EL（实体链接，IE对象同义词）对句子级别关系准备的支持（称为上下文）（2）上下文提取的API（2）API提取（3）从句子级别传输到文档级别等的关系。
• dere [github] [纸]
  • 是用于De Clarive R Extration e Xtraction的开源框架，因此允许声明您自己的任务（使用XML模式）并将手动实现的模型应用于IT（使用提供的API）。任务声明基于跨度和跨度之间的关系。就后者而言，作者提出了框架，其中每个帧的范围为：（1）触发（span）和（2） n -slots，每个插槽都可以指框架或跨度。该框架对提取框架的窗口没有理论限制。因此，这个概念可能涵盖句子级，文档级和多文件ret任务。

回到顶部

执照

根据法律的可能，Joohong Lee放弃了所有版权以及这项工作的相关或邻近权利。