Few-Shot Document-Level Relation Extraction
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
我们提出了FREDo，一个Few-Shot文档级关系抽取（FSDLRE）基准。相对于现有的基准是建立在文档级关系抽取语料库，我们认为，文档级语料库提供更多的现实主义，特别是关于非上述（NOTA）的分布。因此，我们提出了一组FSDLRE任务，并基于两个现有的监督学习数据集，DocRED和sciERC构建了一个基准。我们适应国家的最先进的文档级的方法MNAV，并进一步发展，以改善领域自适应。我们发现FSDLRE是一个具有挑战性的设置有趣的新特性，如能够从支持集采样NOTA实例。数据、代码和训练模型可在线获取（https：//github.com/nicpopovic/FREDo）。
2022-07-01 cs.AI cs.CL cs.LG
An overview of event extraction and its applications
Shanghai University of Finance and Economics（上海财经大学）
随着信息技术的飞速发展，网络平台产生了巨大的文本资源。事件抽取作为信息抽取的一种特殊形式，由于其能够自动地从人类语言中抽取事件而受到越来越多的关注。然而，有有限的文献调查的事件提取。现有的综述工作要么花费大量精力描述各种方法的细节，要么集中在某个特定的领域。本文综述了文本事件抽取的最新研究进展，包括闭域事件抽取和开域事件抽取。本调查的一个特点是，它提供了一个适度复杂的概述，避免涉及太多的细节，特定的方法。本研究主要探讨代表性作品的共性、应用领域、优缺点，忽略了个别方法的特殊性。最后，我们总结了共同的问题，目前的解决方案，以及未来的研究方向。我们希望这项工作可以帮助研究人员和从业人员获得一个快速的概述最近的事件提取。
2021-11-05 cs.AI cs.CL cs.LG
Real-Time Online Stock Forecasting Utilizing Integrated Quantitative and Qualitative Analysis
BITS Pilani Hyderabad Campus（比拉理工学院海得拉巴校区）；Missouri University of Science and Technology（密苏里科技大学）
本研究构建了一个包含140万条文本的公开多源股票数据集，结合定量与定性数据，利用Spearman等级相关实现超60%准确率的实时增量在线股票预测。
2024-01-02 cs.CE cs.CL cs.LG
Monitoring Energy Trends through Automatic Information Extraction
T\"UB\.ITAK Energy Institute Ankara -- Turkey
能源研究是至关重要的公共重要性，但使用计算机科学技术，如自动文本处理和数据管理的能源领域仍然是罕见的。将这些技术应用于能源领域将是对"能源信息学”这一跨学科课题的重大贡献，就像"生物信息学”这一跨学科领域内的相关进展一样。在本文中，我们提出了一个基于Web的语义系统，称为EneMonIE（能源监测通过信息抽取）的架构，通过使用自动，连续和引导的信息抽取，从不同类型的媒体在Web上的监测最新的能源趋势。该系统处理的媒体类型将包括在线新闻文章、社交媒体文本、在线新闻视频、开放获取的学术论文和技术报告，以及能源组织公开提供的各种数字能源数据。该系统将利用并有助于能量相关本体，并且其最终形式将包括用于以下的组件：（i）文本分类，（ii）命名实体识别，（iii）时间表达提取，（iv）事件提取，（v）社交网络构建，（vi）情感分析，（vii）信息融合和摘要，（viii）媒体互连，和（ix）基于网络的信息检索和可视化。凭借其多样化的数据源，自动文本处理功能和向公众开放的演示设施，EneMonIE将成为决策者（包括能源生产，传输和分配系统运营商，能源研究中心，相关投资者和企业家以及学者，学生，其他对能源事件和技术的步伐感兴趣的个人）的重要信息来源。
2022-01-05 cs.AI cs.CL
A Deep Cascade Model for Multi-Document Reading Comprehension
Alibaba Group（阿里巴巴集团）
在设计在线问答系统时，需要平衡有效性和效率之间的基本权衡。有效性来自复杂的功能，如提取机器阅读理解（MRC），而效率是从初步的检索组件，如候选文件选择和段落排序的改进。考虑到现实世界中多文档MRC场景的复杂性，很难在端到端系统中联合优化这两者。为了解决这个问题，我们开发了一种新的深度级联学习模型，该模型从候选文本的文档级和段落级排名逐步发展到使用机器阅读理解进行更精确的答案提取。具体来说，首先使用简单的函数过滤掉不相关的文档和段落，以提高效率。为了更好地跟踪答案，我们在剩余文本上联合训练了三个模块：文档抽取、段落抽取和答案抽取。实验结果表明，该方法在两个大规模多文档基准数据集上的性能优于现有方法，TriviaQA和DuReader。此外，我们的在线系统可以在不到50 ms的时间内稳定地服务于每日数百万次请求的典型场景。
2018-11-28 cs.CL
Does constituency analysis enhance domain-specific pre-trained BERT models for relation extraction?
Université Paris-Saclay, INRAE, MaIAGE（巴黎-萨克雷大学，法国国家农业食品与环境研究院，应用数学与计算机科学、基因组学与环境研究单位）；Université Paris-Saclay, CNRS, Laboratoire interdisciplinaire des sciences du numérique（巴黎-萨克雷大学，法国国家科学研究中心，数字科学跨学科实验室）
近年来，人们对关系抽取进行了大量的研究。BioCreative VII的DrugProt跟踪为关系抽取系统的开发和评估提供了一个手动注释的语料库，其中研究了化学品和基因之间的相互作用。我们描述了我们用于提交的集成系统，该系统通过多数投票结合了微调的bioBERT，sciBERT和const-bioBERT模型的预测。我们特别测试了语法信息对BERT关系抽取的贡献。我们观察到，向BERT添加基于成分的句法信息提高了准确率，但降低了召回率，因为在训练集中很少看到的关系不太可能被注入句法信息的BERT模型预测。我们的代码可以在线获取[https：//github.com/Maple177/drugprot-relation-extraction]。
2021-11-25 cs.AI cs.CL cs.LG
Title2Event: Benchmarking Open Event Extraction with a Large-scale Chinese Title Dataset
Tencent（腾讯）；HKUST（香港科技大学）；Tsinghua University（清华大学）；USTC（中国科学技术大学）
事件抽取对于后续的事件聚合、事件知识图谱构建等任务至关重要。大多数现有的EE数据集手动定义固定的事件类型，并为每个事件设计特定的模式，未能涵盖在线文本中出现的各种事件。此外，新闻标题作为事件提及的重要来源，在当前的EE研究中没有得到足够的重视。在本文中，我们提出了Title2Event，一个大规模的事件级数据集基准开放事件提取，而不限制事件类型。Title2Event包含从中文网页收集的34个主题的42，000多个新闻标题。据我们所知，它是目前最大的手动标注的中文开放事件提取数据集。通过对不同模型下的Title2Event进行实验，发现标题的特点使得事件抽取具有挑战性，并提出了进一步研究该问题的意义。数据集和基线代码可在https://open-event-hub.github.io/title2event上获得。
2022-11-02 cs.CL
Plumber: A Modular Framework to Create Information Extraction Pipelines
信息抽取（IE）任务是各个研究领域的共同研究课题。因此，社区不断产生多种技术，解决方案和工具来执行这些任务。但是，运行这些工具并将其集成到现有基础设施中需要时间、专业知识和资源。这里的一个相关任务是三元组提取和链接，其中从文本中提取结构化三元组并将其与现有的知识图谱（KG）对齐。在本文中，我们提出了PLUMBER，第一个框架，允许用户手动和自动创建合适的IE管道从社区创建的工具池执行三重提取和对齐非结构化文本。我们的方法提供了一个交互式的媒介来改变管道和执行IE任务。一个简短的视频展示了不同用例的框架工作情况，可以在https://www.youtube.com/watch?网站上找到。v=XC9rJNIUv8g
2022-06-03 cs.CL cs.DL
Gold Standard Online Debates Summaries and First Experiments Towards Automatic Summarization of Online Debate Data
The University of Sheffield（谢菲尔德大学）
在线文本媒体的使用正在稳步增长。每天，越来越多的新闻故事，博客文章和科学文章被添加到在线卷。这些都是免费访问，并已被广泛应用于多个研究领域，例如自动文本摘要，信息检索，信息抽取等，同时，在线辩论论坛最近变得流行，但在很大程度上还未开发。由于这个原因，没有足够的资源注释的辩论数据可用于进行研究，在这一体裁。在本文中，我们收集和注释的自动摘要任务的辩论数据。与提取黄金标准摘要生成类似，我们的数据包含值得包含到摘要中的句子。五个人类注释者执行了这项任务。基于语义相似性的注释者间一致性，Cohen的kappa为36%，Krippendorff的alpha为48%。此外，我们还实现了一个在线辩论的提取摘要系统，并讨论了自动总结在线辩论数据的任务的突出特点。
2017-08-15 cs.AI cs.CL cs.IR
Syntactic-GCN Bert based Chinese Event Extraction
Shanghai University of Finance and Economics（上海财经大学）
随着信息技术的快速发展，在线平台（例如，新闻门户和社交媒体）每时每刻都产生大量的网络信息。因此，从社会流中提取事件的结构化表示至关重要。通常，现有的事件提取研究利用模式匹配、机器学习或深度学习方法来执行事件提取任务。然而，由于中文语言的独特性，中文事件抽取的性能不如英文。在本文中，我们提出了一个集成的框架来执行中文事件提取。所提出的方法是一个多通道输入的神经框架，集成了语义特征和句法特征。语义特征由BERT体系结构捕获。词性（POS）特征和依存句法分析（DP）特征分别通过轮廓嵌入和图卷积网络（GCN）来捕获。我们还在真实世界的数据集上评估了我们的模型。实验结果表明，该方法的性能明显优于基准方法。
2021-12-18 cs.AI cs.CL cs.IR
Evaluation of LLM-based Strategies for the Extraction of Food Product Information from Online Shops
Institute for Software Systems, University of Applied Sciences Trier（软件系统研究所，应用科学大学特里尔）
本文评估了两种基于LLM的食品产品信息抽取策略，发现间接抽取方法虽准确率略低1.61%，但可减少95.82%的LLM调用次数，为大规模网页信息抽取提供了更高效低成本的方案。
2025-06-17 cs.CL cs.IR cs.LG
An evaluation of keyword extraction from online communication for the characterisation of social relations
Technische Universität München（慕尼黑工业大学）
社交网络服务或类似在线社区上的人际关系集通常是高度异质的。领带强度的概念只抓住了这种异质性的一个方面。由于非结构化的文本内容的在线通信文物是一个显着的社会关系的信息来源，我们调查的实用程序的关键字提取的消息体作为一个代表的关系的特点所反映的会话主题。使用标准自然语言处理方法执行关键字提取。通过自定义应用程序从Facebook用户获得通信数据和对提取的关键字的人工评估。总体积极的质量评估提供了证据，表明关键词确实传达了关于关系的相关信息。
2014-02-11 cs.CL cs.IR cs.SI
Author Unknown: Evaluating Performance of Author Extraction Libraries on Global Online News Articles
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Media Cloud（媒体云）；Northeastern University（东北大学）
本文构建人工编码的跨语言在线新闻作者数据集，评估五个现有软件包与一个定制模型，发现 Go-readability 和 Trafilatura 最稳定，但各工具跨语言结果差异显著。
2024-10-13 cs.CL cs.IR
Improving unsupervised neural aspect extraction for online discussions using out-of-domain classification
Samsung-PDMI Joint AI Center, Steklov Mathematical Institute（三星-圣彼得堡数学研究所联合人工智能中心，斯捷克洛夫数学研究所）；National Research University Higher School of Economics（国立研究型大学高等经济学院）；Kazan Federal University（喀山联邦大学）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
基于自我注意力的深度学习架构最近在无监督方面提取和主题建模任务中取得了并超越了最先进的成果。虽然基于神经注意力的方面提取（ABAE）等模型已成功应用于用户生成的文本，但当应用于新闻文章和新闻组文档等传统数据源时，它们的一致性较低。在这项工作中，我们介绍了一个简单的方法，句子过滤的基础上，以提高专题方面学到的新闻组为基础的内容，而不修改ABAE的基本机制。我们训练一个概率分类器来区分域外文本（外部数据集）和域内文本（目标数据集）。然后，在数据准备过程中，我们过滤出在域中概率较低的句子，并在剩余句子上训练神经模型。句子过滤对主题连贯性的积极影响是在未过滤文本上训练的方面提取模型的比较中证明的。
2020-06-17 cs.CL
LLMs for Argument Mining: Detection, Extraction, and Relationship Classification of pre-defined Arguments in Online Comments
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
本文评估了四个最先进LLM在三个论点挖掘任务上的表现，发现大型和微调模型整体表现强劲但环境成本高，且在处理长篇细微和情绪化评论时存在系统性缺陷。
2025-05-29 cs.CL
Automatic Detection of Satire in Bangla Documents: A CNN Approach Based on Hybrid Feature Extraction Model
Shahjalal University of Science & Technology（沙赫贾拉尔科技大学）
讽刺新闻在网络社区中的广泛传播是一种持续的趋势。讽刺的本质是如此的模棱两可，有时甚至连人类都很难理解它是否真的是讽刺。因此，对这一领域的研究兴趣越来越大。本研究的目的是检测孟加拉国讽刺新闻在在线新闻门户网站以及社交媒体上的传播。在本文中，我们提出了一种混合技术，从文本文档中提取特征结合Word2Vec和TF-IDF。使用我们提出的特征提取技术，与标准的CNN架构，我们可以检测是否孟加拉语文本文档是讽刺或没有超过96%的准确率。
2019-11-19 cs.CL cs.IR cs.LG
AdCOFE: Advanced Contextual Feature Extraction in Conversations for emotion classification
Lakehead University（湖首大学）
对话中的情感识别是各种虚拟聊天机器人的重要一步，这些机器人需要基于意见的反馈，如社交媒体线程，在线支持和更多应用程序。当前会话模型中的情感识别面临着以下问题：（a）会话的两个对话之间的上下文信息丢失，（b）未能给予每个话语中的重要标记适当的重要性，以及（c）无法传递来自先前话语的情感信息。通过使用自然语言的知识图谱、情感词典和短语在话语的所有级别（词和位置嵌入）执行唯一的特征提取来解决这些问题。在会话数据集上的情感识别实验表明，AdCOFE有利于捕捉会话中的情感。
2021-04-09 cs.CL cs.LG
BioChemInsight: An Online Platform for Automated Extraction of Chemical Structures and Activity Data from Patents
Zhejiang University（浙江大学）；Huadong Medicine Co., Ltd.（华东医药股份有限公司）；Hangzhou VicrobX Biotech Co., Ltd.（杭州维康信生物科技有限公司）；Shanghai University（上海大学）；ZJU-Hangzhou Global Scientific and Technological Innovation Center（浙江大学杭州国际科创中心）；Jiangxi University of Chinese Medicine（江西中医药大学）；Second Military Medical University（第二军医大学）
BioChemInsight通过整合多种AI技术，实现了从专利中自动提取化学结构和生物活性数据，填补了ChEMBL数据库的空白，提升了药物发现效率。
2026-03-03 cs.CL cs.IR q-bio.QM
Intelligent Online Selling Point Extraction for E-Commerce Recommendation
JD.COM Silicon Valley Research Center（京东硅谷研发中心）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
在过去的十年中，自动生成产品描述的电子商业已经见证了显着的进步。随着电子商业平台提供的服务变得多样化，有必要动态地适应所生成的描述模式。产品卖点是一种重要的产品描述类型，其长度应尽可能短，但仍能传达关键信息。此外，这种产品说明应该吸引读者的眼球。目前，产品卖点通常由人类专家撰写。因此，这些内容的创建和维护产生高成本。如果产品卖点可以由机器自动生成，这些成本可以大大降低。在本文中，我们报告了我们的经验，开发和部署智能在线销售点提取（IOSPE）系统，以服务于推荐系统在JD.com电子商业平台。自2020年7月以来，IOSPE已成为62个关键类别产品的核心服务（覆盖超过400万种产品）。到目前为止，它已经产生了超过1亿个卖点，从而显着扩大了卖点创建操作并节省了人力。与之前的做法相比，这些IOSPE产生的卖点使点击率（CTR）增加了1. 89\%，客户在产品上花费的平均持续时间增加了2. 03\%以上，这对于如此大规模的电子商业平台来说是显著的改进。
2021-12-16 cs.AI cs.CL cs.IR
Cognitive-Linguistic Indicators of Depression in Online Communities: Analysed by DistilBERT and Holographic Reduced Representation
School of Computing, University of Leeds（利兹大学计算机学院）
本研究结合认知语言学特征与DistilBERT嵌入，通过混合模型（DistilBERT+HRR）在Reddit帖子中检测抑郁，宏F1达0.94，优于基线TF-IDF的0.80。
2026-04-15 cs.CL
Cisco at SemEval-2021 Task 5: What's Toxic?: Leveraging Transformers for Multiple Toxic Span Extraction from Online Comments
Cisco Systems（思科系统公司）；IIIT-Delhi（德里英迪拉·甘地信息技术学院）
社交网络平台通常用于分享积极的，建设性的和有见地的内容。然而，近年来，人们经常接触到令人反感的内容，如威胁，身份攻击，仇恨言论，侮辱，淫秽文本，攻击性言论或欺凌。有毒语音检测的现有工作集中在二进制分类或区分有毒语音之间的一小组类别。本文介绍了思科团队为SemEval-2021任务5提出的系统：有毒跨度检测，这是第一个共享任务，专注于检测文本中归因于其毒性的跨度。我们主要用两种方法来处理这个问题：序列标记方法和依存句法分析方法。在我们的序列标记方法中，我们根据特定的标记方案标记句子中的每个标记。我们在这种方法中表现最好的架构也被证明是我们整体表现最好的架构，F1得分为0.6922，因此我们在最终评估阶段排行榜上排名第7。我们还探讨了一个依存句法分析的方法，我们从输入句子中提取跨度的监督下，目标跨度边界和排名我们的跨度使用biaffine模型。最后，我们还提供了一个详细的分析，我们的结果和模型的性能在我们的论文。
2021-05-28 cs.AI cs.CL
Semi-supervised knowledge extraction for detection of drugs and their effects
University of Pisa（比萨大学）；Institute of Informatics and Telematics (IIT-CNR)（信息与通信技术研究所（IIT-CNR））；LUCENSE SCaRL（LUCENSE 有限责任公司）
新精神活性物质是处于立法灰色地带的药物，因为它们没有在国际上和官方上被禁止，这可能导致它们的贸易不受起诉。这种现象的加剧是，电子邮件可以很容易地在网上出售和购买。在这里，我们考虑了在专门讨论药物的在线论坛上发布的大量文本帖子，加上一小部分已知物质和相关影响，我们称之为种子。我们提出了一种半监督的方法来提取知识，应用于检测药物（包括药物）和效果的语料库正在调查。基于非常小的初始种子集，这项工作突出了对比方法和上下文推理如何有效地从语料库中检测物质和效果。我们的结果令人鼓舞，其F1得分接近0.9，为缩短新精神活性物质的检测时间铺平了道路，一旦这些物质在互联网上被讨论和宣传。
2016-09-21 cs.CL
Deep Recurrent Neural Networks for Product Attribute Extraction in eCommerce
Walmart Labs（沃尔玛实验室）
从产品标题中提取准确的属性质量是通过丰富的分面搜索为电子商务客户提供有价值的在线购物体验的重要组成部分。我们展示了深度递归网络在这一领域的潜力，主要是双向LSTM和双向LSTM-CRF等模型，无论是否有注意力机制。与以前的基准测试相比，这些测试提高了整体F1分数（More等人）。至少0.0391，展示了97.94%的总体准确率，94.12%的召回率和0.9599的F1得分。这使我们实现了对产品重要方面或属性的显著覆盖，这不仅显示了深度递归模型在以前的机器学习基准测试中的功效，而且大大增强了在线购物时的整体客户体验。
2018-03-29 cs.AI cs.CL
Multilingual Cross-domain Perspectives on Online Hate Speech
CLiPS Research Center（CLiPS研究中心）
在这份报告中，我们提出了一个研究的八个语料库的在线仇恨言论，通过展示的NLP技术，我们用来收集和分析圣战，极端主义，种族主义和性别歧视的内容。对多语种语料库的分析表明，不同语境下的仇恨修辞具有一定的共性。为了揭示文本的主要特征，我们重点研究了文本分类、文本分析、关键词和搭配提取，以及人工标注和定性研究。
2018-09-11 cs.CL
Enhanced Review Detection and Recognition: A Platform-Agnostic Approach with Application to Online Commerce
Institute of Innovation, Science and Sustainability, Federation University（联邦大学创新、科学与可持续发展研究所）；Transitional AI Research Group（过渡人工智能研究集团）
本研究提出一种跨平台的机器学习评论检测提取方法，可泛化到训练集外的网站，并实现了情感不一致分析、多语言支持、虚假评论检测三大应用，助力在线商务的跨来源评论自动评估。
2024-05-09 cs.AI cs.CL
Fully automatic extraction of morphological traits from the Web: utopia or reality?
Inria（法国国家信息与自动化研究所）；University of Montpellier（蒙彼利埃大学）；LIRMM（蒙彼利埃电子与计算机实验室）；AMAP（植物与动物科学建模与分析研究中心）；Wageningen University & Research（瓦赫宁根大学及研究中心）；University of Amsterdam（阿姆斯特丹大学）；Athens University of Economics and Business（雅典经济与商业大学）
针对植物性状信息人工汇编耗时、在线文本非结构化难规模化利用的问题，提出基于大语言模型的全自动提取机制，复现人工矩阵验证显示F1超75%，证明规模化构建结构化性状数据库可行，受限于目标性状文本覆盖度。
2025-02-21 cs.AI cs.CL cs.LG
QuaLLM-Health: An Adaptation of an LLM-Based Framework for Quantitative Data Extraction from Online Health Discussions
The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；Texas Tech Health Science Center El Paso（德克萨斯理工大学埃尔帕索健康科学中心）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究将QuaLLM框架适配为QuaLLM-Health，利用GPT-4o-mini通过迭代提示工程从Reddit的GLP-1相关讨论中提取临床定量数据，准确率超0.85且宏平均F1>0.90，成本低耗时短，可适配多健康领域研究。
2024-11-27 cs.CL
Topic mining based on fine-tuning Sentence-BERT and LDA
Inner Mongolia University（内蒙古大学）
本文提出微调Sentence-BERT结合LDA的主题挖掘方法，用于电商在线评论细粒度属性分析，主题一致性比对比模型高0.5，提升了主题提取准确性。
2025-04-07 cs.CL cs.IR
Reliable End-to-End Material Information Extraction from the Literature with Source-Tracked Multi-Stage Large Language Models
针对文献中材料信息提取不完整的问题，提出多阶段大语言模型流水线，提取47个特征并集成源追踪，F1约0.96，显著降低遗漏率，实现高精度零误报的数据库构建。
2025-10-01 cond-mat.mtrl-sci cs.CL
