ConstGCN：基于受限传播图卷积网络的文档级关系抽取
计算与语言
2022-10-11 v1
摘要
基于图神经网络的文档级关系抽取面临训练与推断之间根本的图构建鸿沟——黄金图结构仅在训练时可用，这导致多数方法采用启发式或句法规则构建先验图作为伪代理。本文中，我们提出 ，一种新颖的图卷积网络，它在所有特定关系空间下沿实体间进行基于知识的信息传播，而无需任何先验图构建。具体而言，它通过在每个关系空间下聚合来自所有其他实体的信息来更新实体表示，从而建模关系感知的空间信息。为控制流经不确定关系空间的信息流，我们提出利用从事实三元组间噪声对比估计学到的传播分数来约束传播。实验结果表明，我们的方法在 DocRE 数据集上优于此前的 state-of-the-art（SOTA）方法。
引用
@article{arxiv.2210.03949,
title = {ConstGCN: Constrained Transmission-based Graph Convolutional Networks for Document-level Relation Extraction},
author = {Ji Qi and Bin Xu and Kaisheng Zeng and Jinxin Liu and Jifan Yu and Qi Gao and Juanzi Li and Lei Hou},
journal= {arXiv preprint arXiv:2210.03949},
year = {2022}
}