SSDAU: Structured Semantic Data Augmentation for Joint Entity and Relation Extraction
State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China(南京大学新型软件技术国家重点实验室);Amap, Alibaba Group, China(阿里巴巴集团阿地图);University of Alberta, Edmonton, Canada(阿尔伯塔大学);The University of Tokyo, Tokyo, Japan(东京大学)
提出结构化语义数据增强方法SSDAU,通过保留三元组感知语义结构、上下文感知编码和BERTopic过滤,提升联合实体关系抽取的泛化能力,在多个模型和数据集上优于现有方法。
2026-05-28 cs.AI cs.CL
Joint Event Extraction via Structural Semantic Matching
Peking University(北京大学)
本文提出JSSM模型,利用STE和DSE编码事件类型语义并进行结构匹配,通过双向注意力联合完成事件检测与论元抽取,在ACE2005上显著提升性能。
2023-06-06 cs.CL
EventGraph: Event Extraction as Semantic Graph Parsing
University of Oslo(奥斯陆大学);University of Bergen(卑尔根大学)
事件提取涉及事件触发器和相应事件参数的检测和提取。现有的系统通常将事件提取分解为多个子任务,而没有考虑它们之间可能的交互。在本文中,我们提出了EventGraph,一个联合框架的事件提取,它编码的事件作为图形。我们将事件触发器和参数表示为语义图中的节点。因此,事件提取成为图解析问题,其提供以下优点:1)联合执行事件检测和参数提取; 2)从一段文本中检测和提取多个事件;以及3)捕获事件参数和触发器之间的复杂交互。在ACE 2005上的实验结果表明,我们的模型是有竞争力的国家的最先进的系统,并大大提高了参数提取的结果。此外,我们从ACE 2005中创建了两个新的数据集,其中我们保留了事件参数的整个文本跨度,而不仅仅是中心词。我们的代码和模型都是开源的。
2022-10-16 cs.CL
Relation Extraction Model Based on Semantic Enhancement Mechanism
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications(计算机学院(国家试点软件工程学院)、北京邮电大学);Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia(智能电信软件与多媒体北京重点实验室);Beijing University of Posts and Telecommunications(北京邮电大学)
研究自然语言处理中关系抽取的三元组重叠问题,提出基于CasRel框架结合语义增强机制的CasAug模型,通过对可能主语预分类、计算语义相似度等操作,提升关系抽取效果,增强处理重叠问题及抽取多关系的能力。
2026-07-13 cs.CL
Supporting Medical Relation Extraction via Causality-Pruned Semantic Dependency Forest
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);University Of Electronic Science And Technology Of China(电子科技大学)
医学关系抽取任务旨在抽取医学文本中实体之间的关系。传统的关系抽取方法通过探索句法信息取得了令人印象深刻的成功,例如,依赖树然而,1-最好的依赖树的医疗文本产生的域外分析器的质量是相对有限的,使医疗关系抽取方法的性能可能会下降。为此,我们提出了一种基于因果解释理论的医学文本语义和句法信息联合建模方法。我们生成的依赖森林组成的语义嵌入的1-最好的依赖树。然后,采用特定于任务的因果解释器对依赖森林进行剪枝,并将剪枝后的依赖森林输入到所设计的图卷积网络中,为下游任务学习相应的表示.从经验上讲,基准医疗数据集上的各种比较证明了我们的模型的有效性。
2022-08-29 cs.CL
SIRIUS-LTG-UiO at SemEval-2018 Task 7: Convolutional Neural Networks with Shortest Dependency Paths for Semantic Relation Extraction and Classification in Scientific Papers
University of Oslo(奥斯陆大学)
本文介绍了用于SemEval 2018任务7的SIRIUS-LTG-UiO系统,任务7是科学论文中的语义关系抽取和分类。首先提取两个实体之间的最短依赖路径(SDP),然后引入一个卷积神经网络(CNN),以最短依赖路径嵌入为输入,对共享任务的每个子任务执行不同目标的关系分类。这种方法实现了整体的F1得分为76.7和83.2的关系分类干净和嘈杂的数据,分别。此外,对于组合的关系抽取和分类干净的数据,它得到的F1得分为37.4和33.6的每个阶段。我们的系统在共享任务的所有三个子任务中排名第三。
2018-04-24 cs.CL
Counts@IITK at SemEval-2021 Task 8: SciBERT Based Entity And Semantic Relation Extraction For Scientific Data
Indian Institute of Technology Kanpur (IIT Kanpur)(印度理工学院坎普尔分校)
本文介绍了SemEval 2021任务8(MeasEval)系统。MeasEval是一种新的跨度提取、分类和关系抽取任务,专注于查找量、这些量的属性和附加信息,包括相关的测量实体、属性和测量上下文。我们提交的系统在排行榜上排名第五(团队排名),由SciBERT和[CLS]令牌嵌入和CRF层组成。我们还在Quantity(tied)和Unit子任务中排名第一,在MeasuredEntity,Modifier和Quantifies子任务中排名第二,在Quantifier子任务中排名第三。
2021-04-03 cs.CL
Continual Event Extraction with Semantic Confusion Rectification
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);National Institute of Healthcare Data Science, Nanjing University(南京大学健康医疗大数据国家研究院)
本文针对持续事件抽取中因标注更新和类型不平衡导致的语义混淆问题,提出一种基于伪标签标记、关键知识转移和关联类型利用的语义混淆纠正模型,有效提升了在不平衡数据集上的抽取性能。
2023-10-24 cs.CL cs.LG
Graphene: Semantically-Linked Propositions in Open Information Extraction
University of Passau(帕绍大学);University of Manchester(曼彻斯特大学)
我们提出了一个开放的信息抽取(IE)的方法,使用一个两层的转换阶段组成的分句去嵌入层和短语去嵌入层,以及修辞关系识别。通过这种方式,我们将呈现复杂语言结构的句子转换为简化的、句法上合理的句子,从中我们可以提取以核心关系元组和伴随的上下文信息的形式表示的双层层次结构中的命题,这些上下文信息通过修辞关系在语义上联系在一起。在比较评估中,我们证明了我们的参考实现Graphene在构建正确的n元谓词-参数结构方面优于最先进的Open IE系统。此外,我们表明,现有的开放IE方法可以受益于我们的框架的转换过程。
2018-07-30 cs.CL
Mapping distributional to model-theoretic semantic spaces: a baseline
MIT(麻省理工学院)
在许多自然语言处理任务中,词嵌入已被证明在最先进的系统中是有用的,范围从问答系统到依存句法分析。(Herbelot和Vecchi,2015)探索了词嵌入及其在建模语言语义中的实用性。特别是,他们提出了一种使用偏最小二乘回归将标准分布语义空间自动映射到集合理论模型的方法。我们在本文中表明,与他们使用的两个数据集之一的模型相比,一个简单的基线实现了+51%的相对改进,并在第二个数据集上产生了有竞争力的结果。
2016-07-11 cs.AI cs.CL stat.ML
Semantic Information Extraction for Text Data with Probability Graph
College of Information Science and Electronic Engineering, Zhejiang University(浙江大学信息科学与电子工程学院);Zhejiang Lab(之江实验室);University of Miami(迈阿密大学)
本文针对资源受限文本传输,提出在知识图谱中引入概率维度建模语义重要性,并通过基于Floyd算法与高效排序机制的优化方法提取最关键语义信息,实验验证了其在语义不确定性和相似性指标上的有效性。
2023-09-16 cs.CL eess.SP
Document-level Relation Extraction as Semantic Segmentation
Zhejiang University(浙江大学);AZFT Joint Lab for Knowledge Engine(AZFT知识引擎联合实验室);Hangzhou Innovation Center, Zhejiang University(浙江大学杭州国际科创中心);Alibaba Group(阿里巴巴集团)
文档级关系抽取的目的是从文档中抽取多个实体对之间的关系。先前提出的基于图或基于变换的模型独立地利用实体,而不管关系三元组之间的全局信息。本文通过预测实体级关系矩阵来捕获局部和全局信息,并行于计算机视觉中的语义分割任务来解决这个问题。在此,我们提出了一个文档U形网络的文档级关系抽取。具体来说,我们利用编码器模块来捕获实体的上下文信息,并在图像风格的特征映射上利用U形分割模块来捕获三元组之间的全局相互依赖性。实验结果表明,我们的方法可以获得最先进的性能在三个基准数据集DocRED,CDR和GDA。
2021-08-22 cs.AI cs.CL cs.CV
ASPER: Attention-based Approach to Extract Syntactic Patterns denoting Semantic Relations in Sentential Context
Indiana University Purdue University Indianapolis(印第安纳大学与普渡大学印第安纳波利斯联合分校)
句子中两个实体之间的语义关系,如上下义关系、因果关系、前后义关系等,通常通过句法模式反映出来。这些模式的自动提取有益于若干下游任务,包括实体提取、本体构建和问答。不幸的是,这种模式的自动提取还没有得到NLP和信息检索研究人员的重视。在这项工作中,我们提出了一个基于注意力的监督深度学习模型,ASPER,它提取的实体之间表现出给定的语义关系在语义上下文的句法模式。我们验证了三个不同的语义关系的性能-hyper-hypernym,因果关系,和mercury-holonym六个数据集上的ASPER。实验结果表明,对于所有这些语义关系,ASPER可以自动识别一个集合的句法模式,反映存在的一对实体之间的这种关系在一个句子。与现有的句法模式提取方法相比,ASPER的性能明显优于其他方法。
2021-04-04 cs.CL
Neural Cross-Lingual Relation Extraction Based on Bilingual Word Embedding Mapping
IBM Research AI(IBM研究院人工智能部门)
关系抽取(RelationExtraction,RE)试图检测和分类实体之间的语义关系,这为许多自然语言处理应用提供了有用的信息。由于国家的最先进的RE模型需要大量的手动注释的数据和语言特定的资源,以达到高精度,这是非常具有挑战性的资源丰富的语言的RE模型,以资源贫乏的语言。本文提出了一种基于双语词嵌入映射的RE模型跨语言迁移方法。它将词嵌入从目标语言投影到源语言,使得经过良好训练的源语言神经网络RE模型可以直接应用于目标语言。实验结果表明,该方法在只有1K词对的小型双语词典上,对大量的目标语言,在内部数据集和开放数据集上都取得了很好的性能。
2019-10-31 cs.CL cs.IR cs.LG
RE-Matching: A Fine-Grained Semantic Matching Method for Zero-Shot Relation Extraction
Fudan University(复旦大学);Baidu Research(百度研究院)
针对零样本关系抽取中通用语义匹配未显式区分实体与上下文的问题,提出 RE-Matching,分解两类匹配分数并用特征蒸馏抑制无关特征,显著提升 F1 且推理提速 10 倍。
2023-06-08 cs.CL
Improving Continual Relation Extraction by Distinguishing Analogous Semantics
Nanjing University(南京大学)
针对持续关系抽取中类比关系导致性能下降和过拟合问题,提出基于内存不敏感原型、内存增强、集成训练与焦点知识蒸馏的模型,有效区分类比关系并克服过拟合。
2023-05-11 cs.CL
Asking the Right Questions in Low Resource Template Extraction
Johns Hopkins University(约翰斯·霍普金斯大学)
信息抽取(Information Extraction,IE)的研究者正在将任务映射到问答(Question Questioning,QA)中,以充分利用现有的大量QA资源,从而提高数据效率。特别是在模板提取(TE)中,将本体映射到一组问题可能比收集标记的示例更省时。我们问TE系统的最终用户是否可以设计这些问题,以及在这个过程中让NLP从业者参与是否有益。我们比较问题的措辞自然语言提示TE的其他方式。我们提出了一个新的模型来执行TE提示,并发现它的好处,从其他风格的提示问题,他们不需要一个NLP背景的作者。
2022-05-25 cs.CL
Context-Dependent Semantic Parsing for Temporal Relation Extraction
University of California, San Diego(加利福尼亚大学圣迭戈分校);The Hong Kong University of Science and Technology(香港科技大学);National Taiwan University(台湾大学)
从非结构化文本中提取事件间的时态关系在时态推理、问答等领域有着广泛的应用。虽然这是困难的,但最近发展的神经符号方法在解决类似的任务上显示出有希望的结果。现有的时态关系抽取方法表达能力有限,关系推理不一致.例如,在TimeML注释中,没有交集的概念。此外,当前的方法不能保证预测的注释之间的一致性。在这项工作中,我们提出了SMARTER,神经语义解析器,有效地提取文本中的时间信息。SMARTER基于自定义类型的λ演算将自然语言解析为可执行的逻辑形式表示。在训练阶段,使用表示上的动态规划(DPD)技术来提供对逻辑形式的弱监督。在推理阶段,SMARTER通过执行逻辑形式生成时间关系图。因此,我们的神经语义解析器产生的逻辑形式捕捉文本的时间信息准确。给定上下文的事件的准确逻辑形式表示确保了所提取的关系的正确性。
2021-12-02 cs.CL
An Effective Approach to Biomedical Information Extraction with Limited Training Data
总的来说,这项工作的两个主要贡献包括应用句子简化关联提取如上所述,和使用分布式语义概念提取。概念提取的拟议工作首次融合了两个不同的研究领域-分布式语义和信息抽取。这种方法提供了其他半监督机器学习系统中提供的所有优点,并且与其他提出的半监督方法不同,它可以在不同的基本框架和算法之上使用。http://gradworks.umi.com/34/49/3449837.html
2011-09-12 cs.CL
Universal Information Extraction as Unified Semantic Matching
Baidu Inc.(百度公司);Chinese Information Processing Laboratory(中文信息处理实验室);State Key Laboratory of Computer Science(计算机科学国家重点实验室);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
信息抽取面临的挑战在于标签模式的多样性和结构的异构性。传统的方法需要特定于任务的模型设计,并且严重依赖昂贵的监督,这使得它们难以推广到新的模式。在本文中,我们解耦IE到两个基本的能力,结构化和概念化,这是由不同的任务和模式共享。基于这种范式,我们提出了统一的语义匹配(USM)框架,它引入了三个统一的令牌链接操作来建模的结构化和概念化的能力,通用的建模各种IE任务。通过这种方式,USM可以联合编码模式和输入文本,并行地统一提取子结构,并根据需要可控地解码目标结构。对4个IE任务的实验结果表明,该方法在有监督的实验中取得了最佳的性能,并在零/Few-Shot传输环境下表现出较强的泛化能力。
2023-01-09 cs.CL
Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation
Institute of Data Science in Biomedicine, Technische Universität Braunschweig(布伦瑞克工业大学生物医学数据科学研究所)
针对 BioMedRAG 固定大小分块割裂语义证据的问题,提出可配置语义分块框架,替换其分块构建阶段,在 GM-CIHT 上 F1 值提升 8.4 个百分点,为生物医学 RAG 提供可解释适配方案。
2026-09-01 cs.CL cs.IR
Syntactic and Semantic-driven Learning for Open Information Extraction
University of Chinese Academy of Sciences(中国科学院大学);Chinese Information Processing Laboratory(中文信息处理实验室);State Key Laboratory of Computer Science(计算机科学国家重点实验室);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Baidu Inc.(百度公司)
构建准确,高覆盖率的神经开放IE系统的最大瓶颈之一是需要大型标记语料库。开放领域语料库的多样性和自然语言表达的多样性进一步加剧了这一问题。在本文中,我们提出了一种句法和语义驱动的学习方法,它可以学习神经开放的IE模型,而无需任何人类标记的数据,通过利用句法和语义知识作为噪音,更高级别的监督。具体来说,我们首先采用语法模式作为数据标签函数,并使用生成的标签预训练基本模型。然后提出了一种句法和语义驱动的强化学习算法,该算法能够有效地将基本模型推广到开放的场景中,并具有较高的准确率。实验结果表明,该方法的性能明显优于有监督的同类方法,甚至可以达到与有监督的最先进(SoA)模型相媲美的性能
2021-03-05 cs.CL
Visualization of Clandestine Labs from Seizure Reports: Thematic Mapping and Data Mining Research Directions
Kansas State University(堪萨斯州立大学)
基于报表的时空事件可视化问题涉及到从命名实体识别到事件关系提取和映射等多个子任务。我们提出了一种事件提取的方法,是由数据采掘和可视化目标,特别是专题映射和趋势分析。本文的重点是桥接信息抽取和可视化任务,并研究主题建模方法。我们开发了一个静态的,有限的主题模型,并研究潜在的好处和可行性扩展到动态主题建模与大量的主题和连续的时间。我们描述了一个实验测试床的事件映射,使用这个端到端的信息检索系统,并报告初步结果的地理信息学问题:跟踪甲基苯丙胺实验室缉获事件的时间和空间。
2015-03-05 cs.CL cs.IR
Retrieval over Classification: Integrating Relation Semantics for Multimodal Relation Extraction
School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China(计算机科学与工程学院,东北大学,沈阳110819,中国)
针对多模态关系抽取中分类范式忽视结构约束和语义表达不足的问题,提出ROC框架,将任务重构为关系语义驱动的检索,整合实体类型与位置信息,利用大语言模型扩展关系描述,通过对比学习对齐实体-关系对,在MNRE和MORE基准上取得最优性能。
2025-09-25 cs.CL cs.IR
Scalable Semantic Querying of Text
University of Massachusetts(马萨诸塞大学);Megagon Labs(Megagon实验室);Google Japan(谷歌日本)
我们提出的KOKO系统,声明信息抽取到一个新的水平,通过将自然语言处理技术的进步,在其提取语言。KOKO是新颖的,因为它的提取语言同时支持文本表面和句子的依赖解析树结构上的条件,从而允许更精确的提取。KOKO还支持宽容表达概念的语言变化的条件,并允许从整个文档中聚合证据以过滤提取。为了扩大规模,KOKO采用了多索引方案和高效提取算法。我们广泛评估KOKO公开文本语料库。我们表明,KOKO索引占用的空间最小,是显着更快,更有效的比一些以前的索引方案。最后,我们展示了KOKO的规模上的语料库的500万个维基百科的文章。
2018-05-03 cs.CL cs.DB
Information Extraction Using the Structured Language Model
本文提出了一种数据驱动的方法来信息抽取(视为模板填充)使用结构化语言模型(SLM)作为统计分析器。模板填充的任务被转换为使用SLM的约束解析。该模型是从一组用帧/槽标签和跨度注释的句子中自动训练的。培训分阶段进行:首先,训练受约束的句法分析器,使得对训练数据的分析满足指定的语义跨度,然后,丰富非终端标签以包含语义信息,最后,在从前一阶段得到的分析树上训练受约束的句法+语义分析器。尽管使用的训练数据量很小,但该模型的性能优于为MiPad -个人信息管理-任务手动编写的简单语义语法的槽级准确性。
2001-08-29 cs.CL cs.IR
Few-Shot Relation Extraction with Hybrid Visual Evidence
Virginia Tech(弗吉尼亚理工大学)
针对纯文本少样本关系抽取在上下文不足时性能受限的问题,提出MFS-HVE多模态模型,融合全局与局部视觉特征及文本语义,并通过三类注意力实现交互,实验证明视觉信息可显著提升关系预测性能。
2024-03-01 cs.CL cs.CV
SAMA: Semantic Anchor-aligned Augmentation for Unified Low-Resource Multimodal Information Extraction
School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院)
提出语义锚定对齐增强框架SAMA,通过构建结构化语义锚引导多专家多模态大模型生成高保真文本,并利用锚保留扩散机制合成图像,结合双约束过滤模块,在低资源多模态信息抽取任务中显著提升性能。
2026-06-18 cs.CL cs.CV cs.MM
From syntactic structure to semantic relationship: hypernym extraction from definitions by recurrent neural networks using the part of speech information
Southwest University(西南大学)
上下义关系是语义网络中的重要组成部分。从定义中识别上位词是自然语言处理和语义分析中的一项重要任务。虽然像WordNet这样的公共词典适用于常见单词,但它在特定领域场景中的应用有限。现有的上位词提取工具要么依赖于特定的语义模式,要么专注于词的表示,这都表现出一定的局限性。
2020-12-07 cs.AI cs.CL
Semantic Role Labeling for Knowledge Graph Extraction from Text
ISTC, CNR(意大利国家研究委员会科技认知研究所);University of Bologna(博洛尼亚大学);Università degli Studi di Cagliari(卡利亚里大学)
介绍了一种新的语义角色标注方法TakeFive,该方法将文本转换为面向框架的知识图谱。它执行依存句法分析,识别唤起词汇框架的单词,定位每个框架的角色和填充符,运行强制技术,并将结果形式化为知识图谱。这种形式化表示符合Framester中使用的框架语义,Framester是一种事实语言链接的数据资源。所获得的精确度,召回率和F1值表明TakeFive与其他现有方法,如SEMAFOR,Pikes,PathLSTM和FRED具有竞争力。最后讨论了如何将TakeFive和FRED相结合,获得更高的查准率、查全率和F1值。
2018-11-04 cs.AI cs.CL
Back to Prior Knowledge: Joint Event Causality Extraction via Convolutional Semantic Infusion
School of Computer Engineering and Science, Shanghai University(上海大学计算机工程与科学学院)
联合事件和因果关系提取是信息检索和数据采掘中一项具有挑战性的重要任务。最近,预先训练的语言模型(例如,BERT)产生最先进的结果,并在各种NLP任务中占主导地位。然而,这些模型是无法强加外部知识领域特定的提取。考虑到表示因果事件的频繁n-gram的先验知识可能有利于事件和因果关系提取,在本文中,我们提出了联合提取框架内具有不同长度窗口的频繁n-gram的卷积知识注入。卷积滤波器初始化期间的知识注入不仅有助于模型捕获事件内(即,事件集群中的特征)和事件间(即,跨事件集群的关联)特征,而且还促进训练收敛。在基准数据集上的实验结果表明,我们的模型显著优于强BERT+CSNN基线。
2021-02-19 cs.AI cs.CL
Topical Keyphrase Extraction with Hierarchical Semantic Networks
Korea University(高丽大学)
主题关键词提取用于对大量文本文档进行摘要。然而,传统的方法不能正确地反映内在的语义和关系的关键词,因为他们依赖于一个简单的基于词频的过程。因此,这些方法在获得重要的上下文知识方面是无效的。为了解决这个问题,我们提出了一个主题关键词提取方法的基础上的层次语义网络和多个中心网络措施,共同反映层次语义的关键词。我们在真实数据上进行实验,以检验所提出的方法的实用性,并将其性能与现有的主题关键词提取方法进行比较。结果证实,所提出的方法优于国家的最先进的主题关键词提取方法的代表性,为每个主题所选择的关键词。该方法能有效地反映关键短语的内在语义和相互关系。
2019-10-17 cs.CL
A semantically enhanced dual encoder for aspect sentiment triplet extraction
Shandong Normal University(山东师范大学);Nanjing Normal University(南京师范大学)
针对ASTE中表格填充方法忽视多视角语义的问题,提出融合BERT与Bi-LSTM-GCN双编码器并建模依存、词性和位置信息的框架,在基准数据集上达到最先进性能。
2023-06-14 cs.AI cs.CL
Halo: Learning Semantics-Aware Representations for Cross-Lingual Information Extraction
Johns Hopkins University(约翰斯·霍普金斯大学)
跨语言信息抽取(CLIE)是一项重要且具有挑战性的任务,特别是在资源不足的情况下。为了应对这一挑战,我们提出了一种名为Halo的训练方法,该方法强制神经模型的每个隐藏状态的局部区域仅生成具有相同语义结构标签的目标令牌。这种简单但强大的技术使神经模型能够学习对噪声鲁棒的语义感知表示,而无需引入任何额外的参数,从而在高和低资源设置中产生更好的泛化。
2018-05-21 cs.CL
Automatic Extraction of Tagset Mappings from Parallel-Annotated Corpora
本文介绍了AMALGAM项目(词汇语法标注模型之间的自动映射)的一些最新工作。我们正在研究如何映射之间的领先语料库注释方案,以提高其resuability。将所有包含的语料库整理成单个大型注释语料库将为语音和手写识别等任务提供更详细的语言模型。特别是,我们专注于从语料库中提取映射的方法,已根据一个以上的注释方案进行注释。
1995-06-08 cmp-lg cs.CL
Negation Triplet Extraction with Syntactic Dependency and Semantic Consistency
School of Data Science, Fudan University(复旦大学数据科学学院);East China University of Science and Technology(华东理工大学);Meituan(美团)
针对现有否定理解未识别否定主体的问题,提出否定三元组抽取任务,构建融合句法依赖与语义一致性的SSENE模型及NegComment数据集,性能优于基线。
2024-04-15 cs.AI cs.CL
Combining Fact Extraction and Verification with Neural Semantic Matching Networks
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
对错误信息的日益关注刺激了对自动事实核查的研究。最近发布的FEVER数据集引入了一个基准事实验证任务,要求系统使用维基百科文档中的证据句子来验证声明。在本文中,我们提出了一个连接的系统,由三个同质的神经语义匹配模型,进行文件检索,句子选择,并声称验证联合事实提取和验证。对于证据检索(文档检索和句子选择),与传统的向量空间IR模型不同,在传统的向量空间IR模型中,查询和源在一些预先设计的术语向量空间中进行匹配,我们开发了神经模型来从原始文本输入中进行深度语义匹配,假设没有中间术语表示,也无法访问结构化的外部知识库。我们还表明,浏览频率也可以帮助提高证据检索结果的性能,以后可以使用我们的神经语义匹配网络进行匹配。对于索赔验证,不像以前的方法,简单地饲料上游检索到的证据和索赔的自然语言推理(NLI)模型,我们进一步增强了NLI模型提供内部语义相关性分数(因此将其与证据检索模块)和本体论WordNet功能。在FEVER数据集上的实验表明,(1)我们的神经语义匹配方法优于流行的TF-IDF和编码器模型,在所有证据检索指标上都有显著的优势,(2)额外的相关性得分和WordNet特征通过更好的语义感知改进了NLI模型,(3)通过将所有三个子任务形式化为类似的语义匹配问题并在所有三个阶段进行改进,完整的模型能够在FEVER测试集上获得最先进的结果。
2018-11-16 cs.AI cs.CL
Adapt Semantics, Not Structure: Few-Instance Schema Calibration for Scientific PDF Extraction
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);University of Science and Technology of China(中国科学技术大学);State Key Laboratory of Cognitive Intelligence(认知智能全国重点实验室);CCCC Second Highway Consultants Co., Ltd.(中交第二公路勘察设计研究院有限公司)
本文提出CPSE框架,通过从少量标注文档中校准抽取提示和字段语义,在保持结构契约的同时提升科学PDF抽取性能,实验显示比基线提高9.93个百分点。
2026-09-29 cs.CL
Improving Hypernymy Extraction with Distributional Semantic Classes
University of Hamburg(汉堡大学);University of Mannheim(曼海姆大学);Ural Federal University(乌拉尔联邦大学)
在本文中,我们展示了如何分布诱导的语义类可以帮助提取上位词。我们提出的方法,使用分布式语义,并使用这些诱导的语义类过滤嘈杂的上位关系的感知语义类。上位词的去噪通过用其上位词标记每个语义类来执行。一方面,这使我们能够使用分布相似意义的全局结构来过滤错误的提取。另一方面,我们通过标签传播到集群术语来推断缺失的上位词。我们进行了大规模的众包研究表明,使用我们的方法自动提取上位词的处理提高了上位词提取的精度和召回的质量。此外,我们展示了我们的方法在领域分类归纳任务中的实用性,在分类归纳的SemEval'16任务上取得了最先进的结果。
2018-02-28 cs.CL
Simple BERT Models for Relation Extraction and Semantic Role Labeling
University of Waterloo(滑铁卢大学)
我们提出了简单的基于BERT的关系抽取和语义角色标注模型。近年来,通过结合词汇和句法特征(如词性标记和依赖树),使用神经模型实现了最先进的性能。在本文中,对这两个任务的数据集进行了广泛的实验,结果表明,在不使用任何外部特征的情况下,一个简单的基于BERT的模型可以实现最先进的性能。据我们所知,我们是第一个以这种方式成功应用BERT的公司。我们的模型为未来的研究提供了强有力的基线。
2019-04-10 cs.CL
Dual Encoder: Exploiting the Potential of Syntactic and Semantic for Aspect Sentiment Triplet Extraction
School of Software Technology, Dalian University of Technology(大连理工大学软件学院)
本文提出D2E2S模型,通过BERT与增强LSTM双通道编码器及异构特征交互模块,充分挖掘句法和语义信息,在ASTE任务上超越现有最优方法。
2024-02-23 cs.AI cs.CL cs.LG
Towards Semantic Integration of Opinions: Unified Opinion Concepts Ontology and Extraction Task
Insight SFI Research Centre for Data Analytics(洞察SFI数据分析研究中心);Data Science Institute(数据科学研究所);University of Galway(Galway大学)
本文提出统一观点概念本体UOC,集成不同表述下的观点语义,并定义UOCE抽取任务、扩展数据集及评估指标,用生成模型建立基线。
2025-05-24 cs.CL
Nominal Compound Chain Extraction: A New Task for Semantic-enriched Lexical Chain
Wuhan University(武汉大学);Guangdong University of Foreign Studies(广东外语外贸大学)
词汇链由文档中的衔接词组成,它暗示了文本的底层结构,从而有助于下游的NLP任务。然而,现有的工作主要集中在检测具有浅层句法关联的简单表层词汇,而忽略了语义感知的词汇复合词以及潜在的语义框架,主题),这对于现实世界的NLP应用程序来说可能更为重要。在本文中,我们介绍了一种新的任务,名词复合词链提取(NCCE),提取和聚类所有名词复合词,共享相同的语义主题。此外,我们将任务建模为两阶段预测(即,复合提取和链检测),其经由所提出的联合框架来处理。该模型采用BERT编码器来产生上下文化的文档表示。此外,知网作为外部资源,提供丰富的义素信息。实验基于我们的人工标注语料库,结果证明了NCCE任务的必要性以及我们的联合方法的有效性。
2020-09-19 cs.CL
Semantic and Syntactic Enhanced Aspect Sentiment Triplet Extraction
National Engineering Research Center for Big Data Technology and System(国家大数据技术与系统工程研究中心);Huazhong University of Science and Technology(华中科技大学);University of Montreal(蒙特利尔大学);Mila(米拉人工智能研究所)
Aspect Sentiment Triplet Extraction(ASTE)是一种从句子中提取三元组的方法,每个三元组包括一个实体,其相关的情感,以及解释情感原因的观点跨度。现有的研究大多采用多级流水线的方式来解决这一问题,这种方式忽略了这三个元素之间的互信息,并且存在误差传播的问题。在本文中,我们提出了一个语义和句法增强方面的情感三元组提取模型(S3 E2),充分利用三元组元素之间的句法和语义关系,并共同提取它们。具体来说,我们为ASTE的任务设计了一个图-序列双重表示和建模范式:我们用图表示句子中单词对之间的语义和句法关系,并通过图神经网络(GNNs)对其进行编码,以及通过LSTM对原始句子进行建模以保留顺序信息。在这种情况下,我们进一步应用一个更有效的推理策略提取三胞胎。在四个基准数据集上的广泛评估表明,S3 E2显着优于现有的方法,这证明了我们的S3 E2的优越性和灵活性,在端到端的方式。
2021-06-07 cs.CL
Semantic robust parsing for noun extraction from natural language queries
本文介绍了如何强大的解析技术可以卓有成效地应用于建立一个查询生成模块,这是一个流水线的NLP架构的一部分,旨在处理自然语言查询在一个受限的域。我们想表明,语义鲁棒性代表了这些NLP系统中的一个关键问题,在这些系统中,由于各种因素(例如,嘈杂的环境,低质量的语音识别模块等),更有可能具有部分和病态的话语。以及在需要成功地(即使是部分地)提取一些有意义的信息的情况下。
1999-09-02 cs.CL
Beyond Exact Match: Semantically Reassessing Event Extraction by Large Language Models
Beijing Institute of Technology(北京理工大学);Beijing University of Technology(北京工业大学)
针对词元级精确匹配评估误判语义正确案例并低估模型真实性能的问题,提出基于LLM的语义级事件抽取评估框架RAEE,实现对触发词和论元精确率与召回率的自适应评估,揭示了精确匹配造成的显著性能低估。
2025-03-04 cs.CL
Multi-Granularity Semantic Aware Graph Model for Reducing Position Bias in Emotion-Cause Pair Extraction
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
情感-原因对提取(ECPE)任务旨在从文档中提取情感和原因对。我们观察到,在典型的ECPE数据集中,情绪和原因的相对距离分布极不平衡。现有的方法设置了一个固定大小的窗口来捕获相邻子句之间的关系。然而,他们忽略了有效的语义连接之间的距离子句,导致对位置不敏感的数据的泛化能力差。为了缓解这个问题,我们提出了一种新的多粒度语义感知图模型(MGSAG),结合细粒度和粗粒度的语义特征联合,而不考虑距离的限制。特别是,我们首先探讨从文档中提取的条款和关键字之间的语义依赖关系,传达细粒度的语义特征,获得关键字增强的条款表示。此外,还建立了一个子句图来描述子句间的粗粒度语义关系。实验结果表明,MGSAG优于现有的国家的最先进的ECPE模型。特别是在位置不敏感数据的情况下,MGSAG模型的性能明显优于其他模型。
2022-08-18 cs.CL
Emotion-Cause Pair Extraction in Conversations via Semantic Decoupling and Graph Alignment
Hefei University of Technology(合肥工业大学)
本文提出SCALE框架,通过语义解耦和图对齐方法,解决对话中情感与原因关系的提取问题,实现多对多的全局一致匹配。
2026-04-21 cs.CL
Graph Transformer Networks with Syntactic and Semantic Structures for Event Argument Extraction
University of Oregon(俄勒冈大学);VinAI Research(越南人工智能研究院)
事件论元提取(EAE)的目标是找到给定事件触发词的每个实体提及的角色。在以前的工作中已经表明,句子的句法结构有助于EAE的深度学习模型。然而,在这样的现有工作的一个主要问题是,他们未能利用句子的语义结构,以诱导有效的表征EAE。因此,在这项工作中,我们提出了一种新的模型EAE,利用图Transformer网络(GTN)的句子的句法和语义结构,学习更有效的句子结构EAE。此外,我们引入了一种新的归纳偏差的基础上的信息瓶颈,以提高推广的EAE模型。进行了大量的实验,以证明所提出的模型的好处,导致国家的最先进的EAE标准数据集上的性能。
2020-10-26 cs.CL
Affordance Extraction and Inference based on Semantic Role Labeling
LIAAD - INESC TEC;Faculty of Sciences - University of Porto(波尔图大学理学院)
常识推理对于自然语言处理的发展变得越来越重要。虽然词嵌入非常成功,但它们无法解释“咖啡”和“茶”的哪些方面使它们相似,或者它们如何与“商店”相关。在本文中,我们提出了一个明确的词表示,建立在分布假设代表语义角色的意义,并允许推理的关系,从他们的网格,支持的基于供给的索引假设。我们发现,我们的模型提高了无监督单词相似性任务的最新水平,同时允许从相同的向量空间直接推断新的关系。
2018-09-03 cs.CL
SEEK: Semantic Evidence Extraction via Adaptive ChunKing for Multilingual Fact-Checking
Department of Data Science and Engineering(数据科学与工程系);Indian Institute of Science Education and Research(印度科学教育与研究学院)
提出SEEK框架,通过自适应语义分块构建连贯证据块,并微调多语言大模型,在多语言事实核查中提升宏F1最高达20%。
2026-06-28 cs.CL
STAGE: Tool for Automated Extraction of Semantic Time Cues to Enrich Neural Temporal Ordering Models
Carnegie Mellon University(卡内基梅隆大学);National Institutes of Health(美国国立卫生研究院)
尽管在事件的时间排序上达到了最先进的准确性,但神经模型在性能上存在显著差距。我们的工作旨在填补这些空白之一,利用一个未充分开发的文本语义的维度:丰富的语义信息提供明确的文本时间线索。我们开发阶段,一个系统,包括一个新的时间框架和一个解析器,可以自动提取时间线索,并将它们转换成适合与神经模型集成的表示。我们通过使用联合BiLSTM和ILP约束架构将它们与事件排序模型集成来展示提取的线索的实用性。我们概述了3部分STAGE处理方法的功能,并展示了将其表示与BiLSTM-ILP模型集成的两种方法:(i)将语义线索作为附加功能,以及(ii)从语义线索中生成新的约束以在ILP中执行。我们在两个事件排序数据集上展示了有希望的结果,并强调了语义线索表示和集成方面的重要问题,以供未来研究。
2021-05-15 cs.CL
Extraction of semantic relations from a Basque monolingual dictionary using Constraint Grammar
本文论述了利用词典半自动地构建词典和词汇知识库。我们研究的最终目标是用语义信息,如意义、定义、语义关系等,丰富巴斯克语词汇数据库,摘自巴斯克语单语词典本文的工作主要集中在提取最能体现中心词的语义关系,即同义关系、反义关系、上位关系和其他由特定关系词和派生词标记的关系。处理所有名词性、动词性和形容词性条目。巴斯克语使用形态变化来标记格,因此语义关系必须从后缀而不是介词推断。我们的方法结合了形态分析器和表面语法分析(基于约束语法),并已被证明是非常成功的高度曲折的语言,如巴斯克语。编写规则的工作量和字典的实际处理时间都非常少。目前,我们已经提取了42,533个关系,只剩下2,943个(9%)定义没有任何提取的关系。出错率非常低,因为只有2.2%的提取关系是错误的。
2000-10-17 cs.CL
Unsupervised Key-phrase Extraction and Clustering for Classification Scheme in Scientific Publications
Ericsson AB(爱立信公司);Uppsala University(乌普萨拉大学)
已经探索了几种方法来自动化系统映射(SM)和系统评价(SR)方法的一部分。挑战通常围绕文本语义理解的差距以及缺乏弥合这一差距所需的领域和背景知识而演变。在本文中,我们研究可能的方法自动化部分SM/SR过程,即提取关键字和关键短语从科学文献中使用无监督的方法,然后使用语义关键短语聚类技术作为基础,构建相应的分类方案。具体而言,我们探讨了集成分数测量在关键短语提取中的作用,我们探讨了基于语义网络的词嵌入在短语语义的嵌入表示中的作用,最后我们还探讨了如何使用聚类来对相关的关键短语进行分组。评估是在与“可解释的人工智能”领域有关的出版物数据集上进行的,我们使用标准的公开数字图书馆和索引术语(关键词)集构建了该数据集。实验结果表明:集成排序得分确实提高了关键词提取的性能。基于ConceptNet语义网络的基于语义网络的词嵌入与上下文化的词嵌入具有相似的性能,但是前者的计算效率更高。最后,在术语级进行语义关键词聚类,可以将相似的术语聚集在一起,从而适合于分类方案。
2021-02-08 cs.CL