文档级关系抽取论文阅读

浙江大学张宁豫研究员围绕“文档级关系抽取”这一主题，对抽取的背景、文档级关系抽取的难点与挑战进行介绍：添加链接描述
1. 《2021-IJCAI-Document-level Relation Extraction as Semantic Segmentation》
论文阅读：添加链接描述

研究动机：先前的基于graph或基于transformer的模型仅单独地使用实体对，而未考虑关系三元组之间的全局信息。本文创新性地提出DocuNet模型，首次将文档级关系抽取任务类比于计算机视觉中的语义分割任务。DocuNet模型利用编码器模块捕获实体的上下文信息，并采用U-shaped分割模块在image-style特征图上捕获三元组之间的全局相互依赖性，通过预测实体级关系矩阵来捕获local和global信息以增强文档级关系抽取。
2. 《2019-ACl-Inter-sentence Relation Extraction with Document-level
Graph Convolutional Neural Network》
论文阅读：添加链接描述

挑战：句子间关系提取处理文档中大量复杂的语义关系，这些关系需要局部、非局部、句法和语义的依赖关系。现有的方法没有充分利用这种依赖关系。
步骤：

1. (2.1节)：对于每个word，根据每个word与最近的两个entity mention的位置，构建word表示
2. 2.2节：构建word之间的5种连边
3. 2.3节：从GCNN学习word表示
4. 2.4节：构建head和tail的word表示，并构建relation score公式

3. 《 2019-NAACL-Document-Level N-ary Relation Extraction with Multiscale Representation Learning》

论文阅读：添加链接描述
4. 《2020-EMNLP-Global-to-Local Neural Networks for Document-Level Relation Extraction》

论文阅读1：添加链接描述
论文阅读2：添加链接描述
5. 《2020-PAKDD-HIN: Hierarchical Inference Network for Document-Level Relation Extraction》
论文还行，没具体看。
阅读链接：添加链接描述

6. 这篇博客总结了以下几篇论文：添加链接描述
6. 1《Graph Neural Networks with Generated Parameters for Relation Extraction》

6.2 《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》

6.3 《Connecting the Dots: Document-level Neural Relation Extraction with Edge-oriented Graphs》

6.4 《Reasoning with Latent Structure Refinement for Document-Level Relation Extraction》

6.5 《A General Framework for Information Extraction using Dynamic Span Graphs》

附加文档级事件抽取：添加链接描述