awesome relation extraction

很棒的關係提取

精心策劃的很棒的資源列表，專門針對關係提取，靈感來自Awesome-NLP和Awesome-Deep-Vision。

貢獻：請隨時提出拉。

內容

• 研究趨勢和調查
• 文件
  • 監督方法
  • 遙遠的監督方法
  • 基於GNN的模型
  • 語言模型
    • 變壓器的編碼器表示
    • 變壓器的解碼器表示
  • 基於知識圖的方法
  • 幾乎沒有學習的方法
• 數據集
• 視頻和講座
• 系統
• 框架

研究趨勢和調查

• NLP進度：關係提取
• 命名實體識別和關係提取：最先進（Nasar等，2021）
• 對關係提取的深度學習方法的調查（Kumar，2017年）
• 關於關係提取的調查（Bach和Badaskar，2017年）
• 關係提取：調查（Pawar等，2017）
• 關於實體關係提取的綜述（Zhang等，2017）
• 關係提取方法的評論：那裡有什麼新的？ （Konstantinova等，2014）
• 100最佳github：關係提取

文件

監督方法

基於CNN的模型

• 關係提取的捲積神經網絡[論文] [代碼] [評論]
  • Chunyang Liu，Wenbo Sun，Wenhan Chao和Wanxiang Che
  • ADMA 2013
• 通過卷積深神經網絡[Paper] [Code] [Review]的關係分類
  • Daojian Zeng，Kang Liu，Siwei Lai，Guangyou Zhou和Jun Zhao
  • 2014年殖民地
• 關係提取：卷積神經網絡的觀點[紙] [代碼] [評論]
  • Thien Huu Nguyen和Ralph Grishman
  • NAACL 2015
• 通過與卷積神經網絡排名[Paper] [代碼]來對關係進行分類
  • Cicero Nogueira Dos Santos，Bing Xiang和Bowen Zhou
  • ACL 2015
• 基於注意的語義關係提取的捲積神經網絡[紙] [代碼]
  • Yatian Shen和Xuanjing Huang
  • Coling 2016
• 通過多層次注意CNN的關係分類[Paper] [代碼]
  • Linlin Wang，Zhu Cao，Gerard de Melo和Zhiyuan Liu
  • ACL 2016
• MIT在Semeval-2017任務10：與卷積神經網絡的關係提取[紙]
  • JI Young Lee，Franck Dernoncourt和Peter Szolovits
  • Semeval 2017

基於RNN的模型

• 通過復發神經網絡的關係分類[紙]
  • Dongxu Zhang和Dong Wang
  • Arxiv 2015
• 雙向長期短期記憶網絡用於關係分類[紙]
  • Shu Zhang，Dequan Zheng，Xinchen Hu和Ming Yang
  • 2015 PACLIC
• 使用LSTM在序列和樹結構上使用LSTM的端到端關係提取[紙]
  • Makoto Miwa和Mohit Bansal
  • ACL 2016
• 基於注意力的雙向長期短期記憶網絡用於關係分類[paper] [代碼]
  • Peng Zhou，Wei Shi，Jun Tian，Zhenyu Qi，Bingchen Li，Hongwei Hao和Bo Xu
  • ACL 2016
• 通過分層復發性神經網絡的語義關係分類，並註意[紙]
  • minguang Xiao和cong liu
  • Coling 2016
• 通過雙向LSTM網絡進行語義關係分類，並使用潛在實體鍵入[paper] [代碼]
  • Joohong Lee，Sangwoo Seo和Yong Suk Choi
  • Arxiv 2019

基於依賴關係的模型

• 通過遞歸矩陣矢量空間[Paper] [代碼]的語義組成性
  • 理查德·索切爾（Richard Socher），布羅迪·霍瓦爾（Brody Huval），克里斯托弗·D·曼寧（Christopher D.
  • Emnlp-Conll 2012
• 基於因子的成分嵌入模型[紙]
  • Mo Yu，Matthw R. Gormley和Mark Dredze
  • NIPS學習語義的研討會2014
• 基於依賴關係的神經網絡用於關係分類[論文]
  • Yang Liu，Furu Wei，Sujian Li，Heng JI，Ming Zhou和Houfeng Wang
  • ACL 2015
• 通過最短的依賴性路徑[Paper] [代碼]通過長期短期內存網絡對關係進行分類
  • Xu Yan，Lili Mou，Ge Li，Yunchuan Chen，Hao Peng和Zhi Jin
  • EMNLP 2015
• 通過簡單負抽樣的捲積神經網絡進行語義關係分類[紙]
  • Kun Xu，Yansong Feng，Songfang Huang和Dongyan Zhao
  • EMNLP 2015
• 通過數據增強的深度復發神經網絡改善了關係分類[紙]
  • Yan Xu，Ran Jia，Lili Mou，Ge Li，Yunchuan Chen，Yangyang Lu和Zhi Jin
  • Coling 2016
• 雙向反複捲積神經網絡用於關係分類[紙]
  • Rui Cai，Xiaodong Zhang和Houfeng Wang
  • ACL 2016
• 神經關係通過降低和轉移學習的神經關係提取[紙]
  • Tianyi Liu，Xinsong Zhang，Wanhao Zhou，Weijia Jia
  • EMNLP 2018

基於GNN的模型

• 匹配空白：關係學習的分佈相似性[論文]
  • Livio Baldini Soares，Nicholas Fitzgerald，Jeffrey Ling，Tom Kwiatkowski
  • ACL 2019
• 關係的關係：關係提取問題的新範式[紙]
  • Zhijing Jin，Yongyi Yang，Xipeng Qiu，Zheng Zhang
  • EMNLP 2020
• GDPNET：用於關係提取的潛在多視圖圖[Paper] [代碼]
  • Fuzhao Xue，Aixin Sun，Hao Zhang，Eng Siong Chng
  • AAAI 21
• 偵察：使用圖形神經網絡中的知識圖上下文的關係提取[Parer] [代碼]
  • Anson Bastos，Abhishek Nadgeri，Kuldeep Singh，Isaiah Onando Mulang'，Saeedeh Shekarpour，Johannes Hoffart，Manohar Kaul
  • www'21

遙遠的監督方法

• 無標記的數據[論文] [評論]的遠處進行關係提取的監督
  • Mike Mintz，Steven Bills，Rion Snow和Dan Jurafsky
  • ACL 2009
• 基於知識的薄弱監督，對重疊關係的信息提取[論文] [代碼]
  • Raphael Hoffmann，Congle Zhang，Xiao Ling，Luke Zettlemoyer和Daniel S. Weld
  • ACL 2011
• 多標籤的多標籤學習用於關係提取[紙] [代碼]
  • Mihai Surdeanu，Julie Tibshirani，Ramesh Nallapati和Christopher D. Manning
  • Emnlp-Conll 2012
• 通過分段卷積神經網絡提取關係提取的遠處監督[論文] [評論] [代碼]
  • Daojian Zeng，Kang Liu，Yubo Chen和Jun Zhao
  • EMNLP 2015
• 與多標籤多標籤卷積神經網絡的關係提取[論文] [評論] [代碼]
  • 小江，Quan Wang，Peng Li，Bin Wang
  • Coling 2016
• 將關係路徑納入神經關係提取[論文] [審查]
  • Wenyuan Zeng，Yankai Lin，Zhiyuan Liu和Maosong Sun
  • EMNLP 2017
• 神經關係提取，在實例上有選擇性注意[紙] [代碼]
  • Yankai Lin，Shiqi Shen，Zhiyuan Liu，Huanbo Luan和Maosong Sun
  • ACL 2017
• 使用卷積復發網絡模型學習本地和全球上下文，以在生物醫學文本[Paper] [Code] [代碼]中進行關係分類
  • Desh Raj，Sunil Kumar Sahu和Ashish Anan
  • Conll 2017
• 層次關係提取與粗到細粒度的注意[紙] [代碼]
  • Xu Han，Pengfei Yu ∗，Zhiyuan Liu，Maosong Sun，Peng Li
  • EMNLP 2018
• 居住：使用附帶信息[紙] [代碼]改善遠程監督的神經關係提取提取
  • Shikhar Vashishth，Rishabh Joshi，Sai Suman Prayaga，Chiranjib Bhattacharyya和Partha Talukdar
  • EMNLP 2018
• 遠處的監督關係提取，袋中和袋間的注意力[紙] [代碼]
  • zhi-xiu ye，zhen-hua ling
  • NAACL 2019

語言模型

變壓器的編碼器表示

• 通過實體信息來豐富預訓練的語言模型以進行關係分類[論文]
  • Shanchan Wu，Yifan他
  • Arxiv 2019
• 路加福音：具有實體感知自我注意力的深層背景化實體表示[論文] [代碼]
  • Ikuya Yamada，Akari Asai，Hiroyuki Shindo，Hideaki Takeda，Yuji Matsumoto
  • EMNLP 2020
• Spanbert：通過表示和預測跨度[Paper] [代碼]來改善預訓練
  • 普通話喬希，丹奇·陳，Yinhan Liu，Daniel S. Weld，Luke Zettlemoyer和Omer Levy
  • TACL 2020（計算語言學協會的交易）
• DG-Spanbert有效的長距離關係提取[紙]
  • Jun Chen，Robert Hoehndorf，Mohamed Elhoseiny，Xiangliang Zhang

變壓器的解碼器表示

• 通過驗證的語言表示[論文] [評論] [代碼]改善關係提取
  • 克里斯托夫·阿爾特（Christoph Alt），馬克·赫伯納（MarcHübner）
  • AKBC 19

基於知識圖的方法

• KGPOOL：有關關係提取的動態知識圖上下文選擇[Paper] [代碼]
  • Abhishek Nadgeri，Anson Bastos，Kuldeep Singh，Isaiah Onando Mulang，Johannes Hoffart，Saeedeh Shekarpour和Vijay Saraswat
  • ACL 2021（發現）

幾乎沒有學習的方法

• Lightrel：帶有最先進評估的大規模監督的很少射擊關係分類數據集[PAPER] [WESTEND] [CODE] [代碼]
  • Xu Han，Hao Zhu，Pengfei Yu，Ziyun Wang，Yuan Yao，Zhiyuan Liu，Maosong Sun
  • EMNLP 2018

各種各樣的

• 通過有效的深度排名共同提取與階級關係的關係[紙]
  • Hai Ye，Wenhan Chao，Zhunchen Luo和Zhoujun li
  • ACL 2017
• 全球優化的端到端神經關係提取[論文]
  • Meishan Zhang，Yue Zhang和Guohong Fu
  • EMNLP 2017
• 對抗性培訓的關係提取[紙]
  • Yi Wu，David Bamman和Stuart Russell
  • EMNLP 2017
• 實體和關係從生物醫學文本提取的神經關節模型[紙]
  • Fei Li，Meishan Zhang，Guohong Fu和Donghong Ji
  • BMC生物信息學2017
• 使用強化學習和深度學習的聯合提取實體和關係[論文]
  • Yuntian Feng，Hongjun Zhang，Wenning Hao和Gang Chen
  • 計算智能與神經科學雜誌2017
• TDER：一種有效的翻譯解碼模式，用於聯合提取實體和關係[論文] [代碼]
  • 西林·李（Xianming Li），小盧（Xiaotian Luo），成豪dong，daichuan Yang，Beidi Luan和Zhen他
  • EMNLP 2021

回到頂部

數據集

• Semeval-20110任務8 [Paper] [下載]
  • 象徵性對之間的語義關係的多路分類
• 紐約時報（NYT）語料庫[紙] [下載]
  • 該數據集是通過將freebase關係與NYT語料庫保持一致的，並用2005-2006年的句子用作培訓語料庫和2007年的句子，並用作測試語料庫。
• Lightrel：很少射擊關係分類數據集[Paper] [網站]
  • 該數據集是一個受監管的幾個射擊關係分類數據集。語料庫是Wikipedia，用於註釋語料庫的知識庫是Wikidata。
• Tacred：TAC關係提取數據集[Paper] [網站] [下載]
  • 是一個大規模的關係提取數據集，其在新聞周期內建立，並且來自年度TAC知識庫人口（TAC KBP）挑戰的語料庫中的Web文本。
• ACE05：[網站] [下載Info]
  • 該數據集代表從各種來源提取的文本：廣播對話，廣播新聞，新聞組，博客。實體上7種類型之間的6種關係類型：Acility（FAC），地理政治性（GPE），位置（LOC），組織（組織（ORG），人（PER），車輛（車輛），武器（WEA）。
• Semeval-2018任務7 [Paper] [網站] [下載]
  • 該語料庫是從摘要和科學論文的介紹中收集的，總共有六種類型的語義關係。它有三個子任務：子任務1.1和子任務1.2分別是清潔和嘈雜數據的關係分類；子任務2是標準關係提取。

有關最新結果

回到頂部

視頻和講座

• 斯坦福大學：CS124，Dan Jurafsky
  • （視頻）第5週：關係提取和問題
• 華盛頓大學：CSE517，Luke Zettlemoyer
  • （幻燈片）關係提取1
  • （幻燈片）關係提取2
• 紐約大學：CSCI-GA.2590，Ralph Grishman
  • （幻燈片）關係提取：基於規則的方法
• 密歇根大學：Coursera，Dragomir R. Radev
  • （視頻）講座48：關係提取
• 弗吉尼亞大學：CS6501-NLP，Kai-Wei Chang
  • （幻燈片）講座24：關係提取

回到頂部

系統

• 深色
• 斯坦福關係提取器

回到頂部

框架

• Opennre [github] [紙]
  • 是一種開源和可擴展的工具包，它提供了一個統一的框架，以實現命名實體之間的關係提取（RE）的神經模型。它專為RE的各種場景而設計，包括句子級RE，行李級RE，Document-Devel級RE和少量RE。它提供了基於張力流和pytorch的各種功能性RE模塊，以保持足夠的模塊化和擴展性，從而使將新模型納入框架變得很容易。
• arekit [github] [研究 - 可塗紙]
  • 是一個開源和可擴展的工具包，專注於文檔級別關係提取組織的數據準備。它可以補充開放式功能，就像後者一樣，文檔級RE設置未被廣泛探索（2.4 [Paper]）。核心功能包括（1）API用於文檔顯示與EL（實體鏈接，IE對象同義詞）對句子級別關係準備的支持（稱為上下文）（2）上下文提取的API（2）API提取（3）從句子級別傳輸到文檔級別等的關係。
• dere [github] [紙]
  • 是用於De Clarive R Extration e Xtraction的開源框架，因此允許聲明您自己的任務（使用XML模式）並將手動實現的模型應用於IT（使用提供的API）。任務聲明基於跨度和跨度之間的關係。就後者而言，作者提出了框架，其中每個幀的範圍為：（1）觸發（span）和（2） n -slots，每個插槽都可以指框架或跨度。該框架對提取框架的窗口沒有理論限制。因此，這個概念可能涵蓋句子級，文檔級和多文件ret任務。

回到頂部

執照

根據法律的可能，Joohong Lee放棄了所有版權以及這項工作的相關或鄰近權利。