HyperAIHyperAI

Command Palette

Search for a command to run...

Réseaux de neurones global-local pour l'extraction de relations à l'échelle du document

Difeng Wang Wei Hu Ermei Cao Weijian Sun

Résumé

L'extraction de relations (RE) vise à identifier les relations sémantiques entre des entités nommées dans un texte. Ces dernières années, cette tâche s'est progressivement étendue au niveau du document, ce qui exige des raisonnements complexes impliquant des entités et leurs mentions à travers l'intégralité d'un document. Dans cet article, nous proposons un nouveau modèle pour l'extraction de relations au niveau du document, en encodant l'information du document à travers des représentations globales et locales des entités ainsi que des représentations de relations contextuelles. Les représentations globales des entités modélisent l'information sémantique de toutes les entités présentes dans le document, les représentations locales des entités regroupent les informations contextuelles issues de plusieurs mentions d'une même entité, tandis que les représentations de relations contextuelles codent les informations thématiques des autres relations. Les résultats expérimentaux montrent que notre modèle atteint des performances supérieures sur deux jeux de données publics dédiés à l'extraction de relations au niveau du document. Il se révèle particulièrement efficace pour extraire des relations entre des entités éloignées et celles qui présentent plusieurs mentions.


Créer de l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec le co-codage IA gratuit, un environnement prêt à l'emploi et le meilleur prix pour les GPU.

Codage assisté par IA
GPU prêts à l’emploi
Tarifs les plus avantageux

HyperAI Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp
Réseaux de neurones global-local pour l'extraction de relations à l'échelle du document | Articles | HyperAI