通用信息抽取中基于标签丢弃的多维关系建模
计算与语言
2025-02-19 v1 人工智能
摘要
通用信息抽取（Universal Information Extraction, UIE）因其有效解决模型爆炸问题而引起广泛关注。基于抽取方式的UIE仅需较小模型即可实现优异性能，因而广受采纳。抽取式UIE通常依赖于针对不同任务的任务指令，包括单目标指令和多目标指令。单目标指令UIE仅能一次抽取一种关系类型，限制了其建模关系间关联性的能力，从而限制了复杂关系的抽取能力。而多目标指令UIE允许同时抽取多种关系，但引入无关关系会增加决策复杂度并影响抽取准确性。因此，本文提出LDNet， incorporates多维关系建模和标签丢弃机制。通过将不同关系分配到不同层级进行理解与决策，降低决策混淆。此外，标签丢弃机制有效缓解了无关关系的影响。实验表明，LDNet在9个任务、33个数据集上，在单模态和多模态、零样本和少样本设置下均表现出优于或与当前最先进系统持平的性能。\footnote{https://github.com/Lu-Yang666/LDNet}
引用
@article{arxiv.2502.12614,
title = {Label Drop for Multi-Aspect Relation Modeling in Universal Information Extraction},
author = {Lu Yang and Jiajia Li and En Ci and Lefei Zhang and Zuchao Li and Ping Wang},
journal= {arXiv preprint arXiv:2502.12614},
year = {2025}
}
备注
Accepted to NAACL-main 2025