HyperAIHyperAI

Command Palette

Search for a command to run...

نمذجة تفاعلات المهام في استخراج الكيانات والعلاقات على مستوى المستند

Liyan Xu; Jinho D. Choi

الملخص

نستهدف استخراج العلاقات على مستوى الوثيقة في إعداد شامل (end-to-end)، حيث يجب على النموذج أن يقوم بشكل مشترك بعمليات استخراج الإشارات، وحل الت ссылات المرجعية (COREF) واستخراج العلاقات (RE) في وقت واحد، وتتم تقييمه بطريقة مركزية حول الكيان. وبشكل خاص، نعالج التفاعل الثنائي بين COREF و RE الذي لم يكن محور اهتمام الأعمال السابقة، ونقترح تقديم تفاعل صريح يُعرف بتوافق الرسم البياني (Graph Compatibility - GC)، وهو مصمم خصيصًا للاستفادة من خصائص المهمة، مما يربط قرارات المهمتين لتدخل مباشر بين المهام. تم إجراء تجاربنا على DocRED و DWIE؛ بالإضافة إلى GC، نقوم بتنفيذ ومقارنة إعدادات متعددة المهام التي يتم اعتمادها عادةً في الأعمال السابقة، بما في ذلك الإعداد المتتابع (pipeline)، والرموز المشتركة (shared encoders)، والانتشار الرسومي (graph propagation)، لفحص فعالية التفاعلات المختلفة. أظهرت النتائج أن GC حققت أفضل الأداء بمقدار تحسين يصل إلى 2.3/5.1 في F1 مقارنة بالنموذج الأساسي.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp