GEGA：引导注意力的图卷积网络与证据检索，用于增强文档级关系抽取
计算与语言
2024-09-10 v2 人工智能
摘要
文档级关系抽取（DocRE）旨在从非结构化文档文本中抽取实体之间的关系。与句子级关系抽取相比，它需要从更广泛的文本上下文中进行更复杂的语义理解。目前，一些研究正在利用证据句子中的逻辑规则来提高DocRE性能。然而，在没有提供证据句子的数据上，研究人员通常通过证据检索（ER）获取整个文档的证据句子列表。因此，DocRE面临两个挑战：首先，证据与实体对之间的相关性较弱；其次，缺乏对跨越长距离多实体之间复杂关系的抽取。为克服这些挑战，我们提出了GEGA模型。该模型利用图神经网络构建多个权重矩阵，以引导注意力分配给证据句子。它还采用多尺度表示聚合来增强ER。随后，我们将最有效的证据信息整合，以实现该模型的全监督和弱监督训练过程。我们在三个广泛使用的基准数据集上评估了GEGA模型：DocRED、Re-DocRED和Revisit-DocRED。实验结果表明，我们的模型相对于现有SOTA模型实现了全面的改进。
引用
@article{arxiv.2407.21384,
title = {GEGA: Graph Convolutional Networks and Evidence Retrieval Guided Attention for Enhanced Document-level Relation Extraction},
author = {Yanxu Mao and Xiaohui Chen and Peipei Liu and Tiehan Cui and Zuhui Yue and Zheng Li},
journal= {arXiv preprint arXiv:2407.21384},
year = {2024}
}