文本之前：利用实体前置信息进行金融关系抽取
Ahead of the Text: Leveraging Entity Preposition for Financial Relation Extraction
AI总结：
本文针对 ACM KDF-SIGIR 2023 竞赛中的 REFind 金融实体关系抽取任务，提出先插入实体位置信息、再微调 roberta-large 进行分类并辅以后处理的多步骤方法，最终在公开排行榜上取得第一名。
摘要：
在 ACM KDF-SIGIR 2023 竞赛的背景下，我们在一个名为 REFind 的金融实体关系数据集上开展了一项实体关系任务。我们表现最佳的解决方案采用了一种多步骤方法。首先，我们将所提供的实体插入到文本中它们对应的位置。随后，我们利用带标签的训练集对基于 Transformer 的语言模型 roberta-large 进行微调，用于文本分类，以预测实体关系。最后，我们实施了一个后处理阶段，以识别并处理模型生成的不合理预测。凭借这一方法，我们在竞赛的公开排行榜上获得了第一名。
英文摘要：
In the context of the ACM KDF-SIGIR 2023 competition, we undertook an entity relation task on a dataset of financial entity relations called REFind. Our top-performing solution involved a multi-step approach. Initially, we inserted the provided entities at their corresponding locations within the text. Subsequently, we fine-tuned the transformer-based language model roberta-large for text classification by utilizing a labeled training set to predict the entity relations. Lastly, we implemented a post-processing phase to identify and handle improbable predictions generated by the model. As a result of our methodology, we achieved the 1st place ranking on the competition's public leaderboard.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
