BIT_mk的博客

俄乌战争知识图谱项目实践！

创新点图-序列双重表示: 通过将句子中的语义和句法关系表示为图，并使用图神经网络（GNNs）进行编码，同时保留原始句子的顺序信息，S3E2能够更精确地捕捉三元组元素之间的复杂关系。许多传统方法可能只依赖于线性或浅层表示。全面利用语义和句法关系: 通过结合语义和句法关系，S3E2能够更全面地理解句子结构和含义。这与许多传统方法形成对比，后者可能只关注其中一种关系，忽略了另一种关系的潜在价值。端到端联合提取: S3E2采用端到端的方式共同提取实体、情感和观点范围，避免了多阶段流程中的错误传播问题。许多

与传统方法的区别任务分解: PRGC将关系三元组提取任务分解为三个子任务：关系判断、实体提取和主体-对象对齐。传统方法通常不会明确分解这些子任务，可能会将整个任务作为一个整体来处理。潜在关系预测: PRGC通过预测潜在关系来限制实体提取，这有助于减少关系预测的冗余。许多传统方法可能会尝试从所有可能的关系中提取实体，这可能会导致效率低下和预测冗余。解决重叠问题: PRGC使用特定于关系的序列标记组件来处理主体和对象之间的重叠问题。许多传统方法可能没有专门解决这个问题的机制，可能会导致提取精度下降。

联合实体联合实体（Joint Entity）通常是指在信息提取任务中，同时识别和分类实体的过程。在许多自然语言处理任务中，实体识别和分类通常是分开进行的两个步骤。但在联合实体识别和分类中，这两个任务被结合在一起，以便更准确和一致地处理文本中的实体。例如，考虑句子："苹果公司在加利福尼亚州的库比蒂诺市设有总部。" 在这个句子中，"苹果公司"是一个组织实体，"加利福尼亚州"和"库比蒂诺市"是地点实体。联合实体识别和分类的任务是同时识别这些实体并将它们分类为相应的类型。

阅读论文知识总结

Hugging Face 最著名的贡献是推出了Transformers库，它是一个用于自然语言处理的开源库，提供了一系列预训练的模型（如BERT、GPT等）的实现和预训练模型的预训练权重。除了Transformers库，Hugging Face 还提供了其他有用的工具和库，包括Datasets（用于处理和加载各种NLP数据集）、Tokenizers（用于文本标记和编码）、Accelerate（用于训练和推理加速）、Pipeline（用于快速构建NLP任务的流水线）等等。

我们将关系建模为将主语映射到宾语的函数，而不是将关系视为实体对的离散标签，这为重新审视关系三元组抽取任务提供了新的视角。与传统的单向语言模型不同，BERT模型采用了双向Transformer编码器，能够同时利用上下文的信息，使得模型能够更好地理解词语的含义和句子之间的关系。S是输入句子中子词索引的独热向量矩阵，Ws是子词嵌入矩阵，Wp是位置嵌入矩阵，其中p表示输入序列中的位置索引，hα是隐藏状态向量，即α层的输入句子的上下文表示，N是Transformer块的数量。和一组关系特定的对象标记器。