基于非桥接实体增强与预测去偏的更优图基跨文档关系抽取

跨文档关系抽取旨在预测位于不同文档中的目标实体之间的关系。在此方面，主导模型通常通过桥接实体保留有助于关系预测的有用信息，从而精细地捕捉目标实体之间的内在相互关联。然而，这些研究忽略了非桥接实体——每种非桥接实体仅与一种目标实体共现，并为关系预测提供了目标实体之间的语义关联。此外，常用数据集 CodRED 包含大量 NA 实例，导致推理时的预测偏差。为解决上述问题，本文提出一种新型图基跨文档 RE 模型，集成非桥接实体增强与预测去偏。具体而言，我们使用统一实体图将大量非桥接实体、目标实体和桥接实体整合，其中模型化它们之间的各种关联，然后使用图循环网络对该图进行编码。最后，我们引入一种新型去偏策略来校准原始预测分布。在封闭和开放设置下的实验结果表明，我们的模型显著优于所有基线方法，包括 GPT-3.5-turbo 和 InstructUIE，实现了最先进的性能。尤其值得注意的是，在官方排行榜\footnote{\url{https://codalab.lisn.upsaclay.fr/competitions/3770#results}} 下的两个设置中，我们的模型分别获得了 66.23% 和 55.87% 的 AUC 分数，自 2023 年 12 月以来在所有提交作品中名列第一。我们的代码可在 https://github.com/DeepLearnXMU/CoRE-NEPD 查看。