CompactIE：开放信息抽取中的紧凑事实
计算与语言
2022-06-13 v2
摘要
现代神经开放信息抽取(OpenIE)系统与基准的一个主要缺陷是，它们优先追求抽取中信息的高覆盖率，而非其组成成分的紧凑性。这严重限制了OpenIE抽取在许多下游任务中的实用性。若抽取结果紧凑且共享组成成分，则可提升其效用。为此，我们研究利用基于神经网络的方法识别紧凑抽取的问题。我们提出CompactIE，一种采用新颖流水线方法生成具有重叠组成成分的紧凑抽取结果的OpenIE系统。它首先检测抽取的组成成分，然后将其连接以构建抽取。我们在通过处理现有基准获得的紧凑抽取上训练系统。在CaRB和Wire57数据集上的实验表明，CompactIE以高精度找到比先前系统多1.5至2倍的紧凑抽取，在OpenIE中确立了新的最先进性能。
引用
@article{arxiv.2205.02880,
title = {CompactIE: Compact Facts in Open Information Extraction},
author = {Farima Fatahi Bayat and Nikita Bhutani and H. V. Jagadish},
journal= {arXiv preprint arXiv:2205.02880},
year = {2022}
}
备注
NAACL 2022 main conference (Long paper)