融合门控机制的远程监督关系抽取方法

doi:10.13209/j.0479-8023.2019.101

北京大学学报自然科学版 ›› 2020, Vol. 56 ›› Issue (1): 39-44.DOI: 10.13209/j.0479-8023.2019.101

融合门控机制的远程监督关系抽取方法

李兴亚, 陈钰枫^†, 徐金安, 张玉洁

北京交通大学计算机与信息技术学院, 北京 100044

收稿日期:2019-05-23 修回日期:2019-09-25 出版日期:2020-01-20 发布日期:2020-01-20
通讯作者: 陈钰枫, E-mail: chenyf(at)bjtu.edu.cn
基金资助:
国家自然科学基金(61976016, 61473294, 61370130, 61876198)、北京市自然科学基金(4172047)和科学技术部国际科技合作计划(K11F100010)资助

Distant Supervision for Relation Extraction with Gate Mechanism

LI Xingya, CHEN Yufeng^†, XU Jin’an, ZHANG Yujie

School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044

Received:2019-05-23 Revised:2019-09-25 Online:2020-01-20 Published:2020-01-20
Contact: CHEN Yufeng, E-mail: chenyf(at)bjtu.edu.cn

摘要/Abstract

摘要：

提出一种融合门控机制的远程监督关系抽取方法。首先在词级别上自动选择正相关特征, 过滤与关系标签无关的词级别噪声; 然后在门控机制内引入软标签的思想, 弱化硬标签对噪声过滤的影响; 最后结合句子级别的噪声过滤, 提升模型的整体性能。在公开数据集上的实验结果表明, 相对于句子级别噪声过滤方法, 所提方法的性能有显著提高。

关键词: 关系抽取, 远程监督, 门控机制, 卷积神经网络

Abstract:

A piecewise convolutional neural network with gating mechanism is proposed, which would automatically filter positive correlation features at word-level. Moreover, the idea of soft-label is introduced to the gating mechanism to weaken the impact of hard labels on noise filtering. Combined with sentence-level noise filtering, the overall performance of the model is improved. The experimental results on the public dataset show that the proposed model has a significant improvement compared to the sentence-level noise filtering methods.

Key words: relation extraction, distant supervision, gate mechanism, convolutional neural network

李兴亚, 陈钰枫, 徐金安, 张玉洁. 融合门控机制的远程监督关系抽取方法[J]. 北京大学学报自然科学版, 2020, 56(1): 39-44.

LI Xingya, CHEN Yufeng, XU Jin’an, ZHANG Yujie. Distant Supervision for Relation Extraction with Gate Mechanism[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(1): 39-44.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2019.101

https://xbna.pku.edu.cn/CN/Y2020/V56/I1/39

[1]	刘相呈, 曹健, 姚宏毅, 徐鹏涛, 张袁, 王源. 基于自适应剪枝率与高效权重继承的神经网络通道剪枝方法[J]. 北京大学学报自然科学版, 2023, 59(5): 764-772.
[2]	周翔宇, 毛善君, 李梅. 基于频域降采样和CNN的轴承故障诊断方法[J]. 北京大学学报自然科学版, 2023, 59(2): 251-260.
[3]	段建勇, 戴诗伟, 王昊, 何丽, 李欣. 知识驱动的事件双曲嵌入时序关系抽取方法研究[J]. 北京大学学报自然科学版, 2023, 59(1): 76-82.
[4]	赵丹丹, 张俊朋, 孟佳娜, 张志浩, 苏文. 基于预训练模型和混合神经网络的医疗实体关系抽取[J]. 北京大学学报自然科学版, 2023, 59(1): 65-75.
[5]	谢豪, 曹健, 李普, 赵雄波, 张兴. 基于FPGA的SSD目标检测硬件加速器设计[J]. 北京大学学报自然科学版, 2022, 58(6): 1015-1022.
[6]	徐鹏涛, 曹健, 陈玮乾, 刘晟荣, 王源, 张兴. 基于离群值去除的卷积神经网络模型训练后量化预处理方法[J]. 北京大学学报自然科学版, 2022, 58(5): 808-812.
[7]	徐鹏涛, 曹健, 孙文宇, 李普, 王源, 张兴. 基于可融合残差卷积块的深度神经网络模型层剪枝方法[J]. 北京大学学报自然科学版, 2022, 58(5): 801-807.
[8]	徐洋, 蒋玉茹, 张禹尧, 何威恺. 融合角色指代的多方对话关系抽取方法研究[J]. 北京大学学报自然科学版, 2022, 58(1): 13-20.
[9]	孙文宇, 曹健, 李普, 刘瑞. 基于全局信息的卷积神经网络模型剪枝微调优化方法[J]. 北京大学学报自然科学版, 2021, 57(4): 790-794.
[10]	李荆, 刘钰, 邹磊. 基于时空建模的动态图卷积神经网络[J]. 北京大学学报自然科学版, 2021, 57(4): 605-613.
[11]	方海泉, 蒋云钟, 冶运涛, 曹引. 基于深度学习和多次棋盘分割法的高分辨率影像河流提取[J]. 北京大学学报自然科学版, 2019, 55(4): 692-698.
[12]	闫雷鸣, 严璐绮, 王超智, 贺嘉会, 吴宏煜. 基于句式元学习的Twitter分类[J]. 北京大学学报自然科学版, 2019, 55(1): 98-104.
[13]	张庆林, 杜嘉晨, 徐睿峰. 基于对抗学习的讽刺识别研究[J]. 北京大学学报自然科学版, 2019, 55(1): 29-36.
[14]	许浩亮, 李雁群, 何云琪, 钱龙华. 中文嵌套命名实体关系抽取研究[J]. 北京大学学报自然科学版, 2019, 55(1): 8-14.
[15]	应文豪, 肖欣延, 李素建, 吕雅娟, 穗志方. 一种利用语义相似度改进问答摘要的方法[J]. 北京大学学报自然科学版, 2017, 53(2): 197-203.

融合门控机制的远程监督关系抽取方法

Distant Supervision for Relation Extraction with Gate Mechanism

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

留言