【论文阅读】Attention Guided Graph Convolutional Networks for Relation Extraction

最新推荐文章于 2022-11-25 10:51:58 发布
最新推荐文章于 2022-11-25 10:51:58 发布
阅读量621 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/li_jiaoyang/article/details/115013199
该论文提出了一种新的方法——Attention Guided Graph Convolutional Networks(AGGCN)来改善关系抽取。通过引入软修剪策略，避免了传统方法中硬修剪造成的信息丢失。AGGCN使用邻接矩阵表示依存树，并结合多头注意力机制，以捕获不同子空间的信息。此外，还采用了密连接层来捕捉局部和远程结构，最后通过线性组合层整合信息，用于关系分类任务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

把句法依存树当成输入
在n元关系抽取，大规模句子级别关系抽取都能充分利用依存树的信息
https://github.com/Cartus/AGGCN_TACRED

文章目录

创新：

提出soft pruning策略，把一颗完整的依存树送到全连通边加权图里。
这里的权重就通过attention学习得到

在这里插入图片描述

GCN

给定一个图，有n个节点，我们可以用 n ∗ n n*n n∗n的邻接矩阵表达这个图结构。
可以把边的方向性扩展到模型中，用来编码依存树
每个结点都添加一个自环
如果依存树里节点i到节点j有边，那在邻接矩阵里 A i j = 1 A_{ij}=1 Aij​=1， A j i = 1 A_{ji}=1 Aji​=1。否则就都是0
第 l l l层节点 i i i卷积的运算，把输入特征的表示 h l − 1 h^{l-1}

最低0.47元/天 解锁文章

200万优质内容无限畅学
论文阅读课1-Attention Guided Graph Convolutional Networks for Relation Extraction（关系抽取，图卷积,ACL2019，n元）
weixin_40485502的博客
02-12 4227
文章目录abstract Guo, Z., et al. (2019). Attention Guided Graph Convolutional Networks for Relation Extraction. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. abs...
Attention Guided Graph Convolutional Networks for Relation Extraction
qq_43521202的博客
07-14 286
Attention Guided Graph Convolutional Networks for Relation Extraction 1. 引言 现有的关系提取模型分为基于序列的和基于依赖的： 基于序列的模型只对单词序列进行操作 基于依赖的模型将依赖树合并到模型中，可以捕获表面形式中模糊的非局部句法关系，还提出了各种剪枝策略来提取依赖关系 基于规则的剪枝策略可能会消除完整树种的一些重要信息 AGGCN可以在全树上工作，使用“软剪枝”将原始依赖树转换为完全连接的边缘加权图 2. AGGCN 2
Attention Guided Graph Convolutional Networks for Relation Extraction(ACL19) 阅读笔记
L_x_4的博客
03-11 730
论文报告 Attention Guided Graph Convolutional Networks for Relation Extraction(ACL19) Motivation 关系抽取的目的是检测文本中实体之间的关系。他是自然语言处理中较为基础的任务，可以应用在生物医学知识发现、数据库检索等多种领域，同样也是智能问答、自然语言生成、阅读理解等领域的基础。 Related Work 现有的...
解读 Attention Guided Graph Convolutional Networks for Relation Extraction
qq_43502284的博客
04-15 834
Attention Guided Graph Convolutional Networks for Relation Extraction 第一次认认真真读完了一篇文献，而且扣完了source code，记录一下！写的比较简单hhh BackGround Most existing relation extraction models can be categorized into two classes: sequence-based and dependency-based. 1. equence-b
2019-ACL-Attention Guided Graph Convolutional Networks for Relat
08-08
2019年ACL会议上发表的论文“Attention Guided Graph Convolutional Networks for Relation Extraction”提出了一个新的方法，即注意力机制引导的图卷积网络（Attention Guided Graph Convolutional Networks, ...
《Attention Guided Graph Convolutional Networks for Relation Extraction》
qq_42808176的博客
05-10 156
关系抽取里gcn的应用 先挖个坑 回头再看
Attention Guided Graph Convolutional Networks for Relation Extraction 翻译 阅读
all4win1995的博客
04-23 391
来源： ACL 2019 地址： https://arxiv.org/abs/1906.07510 推荐理由： 基于依赖的模型可以捕捉从表面看十分模糊的非局部句法关系，也诞生了一些剪枝策略提升性能。然而基于规则的剪枝策略可能会删去一些重要信息。本文提出了一种新的Attention Guided Graph Convolutional Networks (AGGCNs)，直接在全树上工作。开发了一种...
Knowledge Guided Attention and Graph Convolutional Networks for Chemical-Disease Relation Extraction
qq_45069496的博客
10-02 559
我们的模型取得了73.3%的F分数，超过了当前最先进的方法。然而，由于依赖关系树由单词节点组成，而 BERT 的 token 将拆分单词，它不能与依赖树和GCN有效结合，因此选择 ELMo 语言模型作为 GCN 的输入嵌入。我们将从CDR中提取的实体对与CTD进行比较，若它们没有出现在CTD中，我们将添加此实体对的三元组，并将关系标记为空。② 去除 GCN Layer，模型性能降低2.5%，模型到句子间级别的关系提取性能下降了4.3%，这说明依赖树和 GCN 模块可以获取对关系提取有用的长期依赖特征。
【论文阅读笔记】Diagnose like a Radiologist: Attention Guided Convolutional Neural Network
寸先生的AI道路
03-15 1558
      本文发表在2018年的arXIV上，通过Attention机制，让计算机关注病理区域，在ChestX-ray14数据集上，达到了state-of-the-art的性能。      本文的想法思路来得很自然，医生在阅读胸片时通常先整体看片子中是否有问题，然后再集中精力看有病理可能的局部区域，最后在结合整张片观察，确定病理结论。本文的算法也按照这种思路，提出一种Attention-guid...
图神经网络关系抽取论文阅读笔记（三）
程哥哥的一亩三分地
11-25 2541
我们介绍了一种新的注意引导图卷积网络(AGGCNs)。实验结果表明，AGGCNs在各种关系提取任务中都取得了先进的结果。与以前的方法不同，AGGCNs直接操作整个树，并学习以端到端方式从树中提取有用的信息。
AGGCN | 基于图神经网络的关系抽取模型
DrugOne
06-12 7026
作者 | 李芬审稿 | 苏祥今天给大家介绍2019年6月发表在ACL上的论文“Attention Guided Graph Convolutional Networks for Rela...
Multi-Scale Body-Part Mask Guide Attention for Person Re-identification
soarflight_ing的博客
11-25 944
Multi-Scale Body-Part Mask Guide Attention for Person Re-identification 论文:Multi-Scale Boyd-Part Mask Guide Attention for Person Re-identification 论文链接：MMGA 代码： 摘要 背景：由于人的姿态变化，不同的光照、遮挡、错位、背景杂乱等原因，对人的重识别仍然具有挑战性。 贡献：文中提出了一种多尺度身体局部语义掩模引导注意力网络（MMGA)，可以联合全身和局
2021-10-03 今日分文献阅读 RAGAT_Relation_Aware_Graph_Attention_Network_for_K
qq_45470316的博客
10-03 720
【2】Freebase: a collaboratively created graph database for structuring human knowledge 链接：link 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增
【文献阅读】ReGAT——关系感知图注意力网络来提高VQA对图像中复杂语义的理解（L. Li等人，ICCV，2019）
QQ704630835的博客
09-01 2904
一、背景 文章题目：《Relation-Aware Graph Attention Network for Visual Question Answering》 文章下载地址：https://ieeexplore.ieee.org/document/9010056或者https://openaccess.thecvf.com/content_ICCV_2019/papers/Li_Relation-Aware_Graph_Attention_Network_for_Visual_Question_A..
Relational Graph Neural Network with Hierarchical Attention for Knowledge Graph Completion
小白一枚，共同交流，共同进步~
03-30 2265
Relational Graph Neural Network with Hierarchical Attention for Knowledge Graph Completion 原文下载 AAAI2020 摘要 知识图谱的迅速发展改变了各种人工智能相关应用的模式。尽管其规模比较大，现在的知识图谱仍然存在不完整、不全面的问题。为了推断出知识图谱中不完整元组的缺失值，从而着手研究知识图谱的补全。然而，现存的知识图谱补全模型对于知识图谱的元组没有利用内在的和来自实体周围的邻居的有价值的信息。为此，本文提出了一
VQA文献阅读 Relation-Aware Graph Attention Network for Visual Question Answering ICCV2019
avast510的博客
03-23 594
ReGAT关系感知图形注意网络用于视觉问答摘要引言合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 关系感知图形注意网络用于视觉问答 摘要 这篇论文认为，回答涉及到复杂语义的问题时，VQA模型要能够充分理解图片中的视觉场景，特别是不同物体之间
[论文阅读] KGAT: Knowledge Graph Attention Network for Recommendation
qq_31225201的博客
07-02 1172
原文：https://arxiv.org/pdf/1905.07854.pdf 代码：https://github.com/xiangwang1223/knowledge_graph_attention_networkWhat: 为了提供更准确、多样化和可解释的建议，必须超越对用户-物品交互的建模，并考虑到附加信息（比如KG）。在本文中，我们研究了知识图(KG)的效用，它通过将项目与其属性联系起来，打破了独立交互假设。（通过将 KG 和user-item graph结合起来，捕捉高维连接）【高维连接：wh
关系抽取论文笔记【研一上】02
qq_42393368的博客
09-21 505
一、《Distilling Knowledge from Well-Informed Soft Labels for Neural Relation Extraction》 1、采用软标签的形式 2、（1）从整个语料库获得类型限制条件进而得到soft rules（2）teacher网络结合soft rules进而针对每个实例得到比较好的软标签 3、两个实体的类型组成一个pattern，首先计算patterns和关系的共现次数，并且归一化数据，每个pattern在所有关系上都会有一个分布，pattern
attention-guided cnn for image denoising, neural networks
最新发布
09-03
《Attention-guided CNN for image denoising》是一种用于图像去噪的神经网络模型。它基于卷积神经网络（CNN）的基本架构，但引入了注意力机制来提高去噪的效果。 在传统的CNN中，输入图像经过一系列卷积和池化操作...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值