admin管理员组

文章数量:1130349

https://arxiv/pdf/2106.09895

先指出TPLinker存在的问题：为了避免曝光偏差，它利用了相当复杂的解码器，导致了稀疏的标签，关系冗余，基于span的提取能力差

作者提出新的模型，包括三部分：

  1. Potential Relation Prediction
  2. Relation-Specific Sequence Tagging
  3. Global Correspondence

对于主客体对齐，设计了一个关系无关的全局对应矩阵，用于确定特定的主客体。
给定一个句子，模型先预测一个可能存在关系的子集，以及得到一个全局矩阵。
然后执行序列标注，标注存在的主体客体。
最后枚举所有实体对，由全局矩阵裁剪。
尽管它引入了通常提到的曝光偏差，但是仍有优越性。

编码器

bert

Potential Relation Prediction预测关系

首先预测潜在关系的子集，只需要从这些潜在实体里提取子集。

给定embedding h，潜在关系预测模块如下：

问题建模为多标签二分类任务，比如有56种关系，那就有56个sigmoid。
如果概率超过阈值就认为存在关系，否则标记为0。
接下来只需要应用抽取的子集对应

https://arxiv/pdf/2106.09895

先指出TPLinker存在的问题：为了避免曝光偏差，它利用了相当复杂的解码器，导致了稀疏的标签，关系冗余，基于span的提取能力差

作者提出新的模型，包括三部分：

  1. Potential Relation Prediction
  2. Relation-Specific Sequence Tagging
  3. Global Correspondence

对于主客体对齐，设计了一个关系无关的全局对应矩阵，用于确定特定的主客体。
给定一个句子，模型先预测一个可能存在关系的子集，以及得到一个全局矩阵。
然后执行序列标注，标注存在的主体客体。
最后枚举所有实体对，由全局矩阵裁剪。
尽管它引入了通常提到的曝光偏差，但是仍有优越性。

编码器

bert

Potential Relation Prediction预测关系

首先预测潜在关系的子集，只需要从这些潜在实体里提取子集。

给定embedding h，潜在关系预测模块如下：

问题建模为多标签二分类任务，比如有56种关系，那就有56个sigmoid。
如果概率超过阈值就认为存在关系，否则标记为0。
接下来只需要应用抽取的子集对应

本文标签： 论文RelationGlobalpotentialCorrespondence

版权声明：本文标题：【论文阅读】PRGC: Potential Relation and Global Correspondence Based Joint Relational Triple Extraction 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1754377522a2679186.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。