RECON：基于图神经网络利用知识图谱上下文的关系抽取
计算与语言
2021-01-19 v2 人工智能
摘要
在本文中，我们提出了一种名为 RECON 的新方法，该方法能自动识别句子中的关系（句子级关系抽取）并将其对齐到知识图谱（KG）。RECON 使用图神经网络来学习句子以及存储在 KG 中的事实的表示，从而提高了整体的抽取质量。这些事实，包括实体属性（标签、别名、描述、实例类型）和事实三元组，在现有最先进的方法中尚未被联合使用。我们评估了各种表示 KG 上下文的形式对 RECON 性能的影响。在两个标准关系抽取数据集上的实证评估表明，RECON 在 NYT Freebase 和 Wikidata 数据集上显著优于所有最先进的方法。RECON 在 Wikidata 数据集上报告了 87.23 的 F1 分数（基线为 82.29），而在 NYT Freebase 上，报告值分别为 87.5（P@10）和 74.1（P@30），先前的基线分数为 81.3（P@10）和 63.1（P@30）。
引用
@article{arxiv.2009.08694,
title = {RECON: Relation Extraction using Knowledge Graph Context in a Graph Neural Network},
author = {Anson Bastos and Abhishek Nadgeri and Kuldeep Singh and Isaiah Onando Mulang' and Saeedeh Shekarpour and Johannes Hoffart and Manohar Kaul},
journal= {arXiv preprint arXiv:2009.08694},
year = {2021}
}
备注
The Web Conference 2021 (WWW'21) full paper