AMiner平台与Relation Extraction的最新进展

AMiner平台概述

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

Relation Extraction的挑战与发展

事物、概念之间的关系是人类知识中非常重要的一个部分，但这些关系通常隐藏在海量的非结构文本中。从早期的模式匹配到近年的神经网络，Relation Extraction（关系抽取）在多年前就已经展开。然而，随着互联网的爆炸发展，人类的知识也随之飞速增长，对Relation Extraction提出了更高的要求：需要一个有效的RE系统，能够利用更多的数据，有效地获取更多的关系，高效地处理更多复杂的文本，并具有较好的扩展性，能够迁移到更多的领域。

EMNLP2020会议论文总结

根据AMiner-EMNLP2020词云图和论文可以看出，Relation Extraction在本次会议中也有许多不凡的工作。以下是本次会议中值得关注的论文总结：

SelfORE: Self-supervised Relational Feature Learning for Open Relation Extraction

作者：Hu Xuming, Wen Lijie, Xu Yusong, Zhang Chenwei, Yu Philip S

简介：提出了一种自监督学习模型SelfORE，专为开放域关系抽取设计。不同于传统的有监督模型，SelfORE不需要预定义知识库或标注实例，能够在开放域场景中工作，当目标关系数量和分布未知时也能有效运行。实验结果表明，模型在三个真实世界数据集上的效果和鲁棒性优于竞争对手。

Joint Constrained Learning for Event-Event Relation Extraction

作者：Haoyu Wang, Muhao Chen, Hongming Zhang, Dan Roth

简介：提出了一个联合约束学习框架，用于从文档中提取事件复杂。该方法在每个任务中都优于现有的统计学习方法和数据驱动方法，且不需要与两类关系联合注释的数据。实验结果显示，该方法在外部测试集上也有不错的表现，未来计划进一步扩展事件论证约束。

Double Graph Based Reasoning for Document-level Relation Extraction

作者：Shuang Zeng, Runxin Xu, Baobao Chang, Lei Li

简介：提出了一种双图级的推理网络GAIN，用于更好地处理文档级关系抽取任务。GAIN通过 Mention-level图模型不同文档中的不同提及之间的交互，捕捉文档感知特征；通过 Entity-level图与路径推理机制更好地推理关系。

Global-to-Local Neural Networks for Document-Level Relation Extraction

作者：Xiang Gao, Yizhe Zhang, Michel Galley, Chris Brockett, Bill Dolan

简介：提出了一个从全局到局部的神经网络GLRE，用于文档级关系抽取。通过R-GCN构建实体的全局表示，结合多头注意力机制构建实体局部表示，实验结果显示该方法在提取长距离实体关系方面具有显著优势。

Two are Better Than One: Joint Entity, Relation Extraction with Table-Sequence Encoders

作者：Jue WANG, Wei Lu

简介：提出了一种表序列编码器架构用于联合实体和关系抽取。该架构通过表编码器在行、列和层维度上进行上下文化，避免了传统模型中对g函数的计算需求，实验结果表明该方法在提取实体和关系方面具有显著优势。

更多EMNLP2020论文，可以关注公众号或者链接直达EMNLP2020专题，最前沿的研究方向和最全面的论文数据等你来~

转载地址：http://ilwd.baihongyu.com/

你可能感兴趣的文章