基于关系过滤和实体对标注的中文关系抽取方法

吉林大学学报(理学版) ›› 2023, Vol. 61 ›› Issue (5): 1095-1102.

基于关系过滤和实体对标注的中文关系抽取方法

刘旭, 杨航, 张啸成, 张永刚

吉林大学计算机科学与技术学院, 符号计算与知识工程教育部重点实验室, 长春 130012

收稿日期:2022-11-10 出版日期:2023-09-26 发布日期:2023-09-26
通讯作者: 张永刚 E-mail:zhangyg@jlu.edu.cn

Chinese Relation Extraction Method Based on Relation Filtering and Entity Pair Tagging

LIU Xu, YANG Hang, ZHANG Xiaocheng, ZHANG Yonggang

Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, College of Computer Science and Technology, Jilin University, Changchun 130012, China

Received:2022-11-10 Online:2023-09-26 Published:2023-09-26

摘要/Abstract

摘要： 针对关系三元组抽取任务中的冗余关系问题和实体重叠问题, 提出一种基于关系过滤器的二维实体对标注方案（RF2DTagging）. RF2DTagging模型由两部分组成： 1）用于过滤冗余关系的关系过滤器(relation filter）； 2）能有效解决各种实体重叠问题的二维实体对标注方案(2D entity-pair tagging scheme）. 为进一步验证RF2DTagging模型, 在3个公开的中文关系抽取数据集(CCKS2019-Task3,CMeIE和DuIE2.0)上进行实验. 实验结果表明, 该模型能有效解决上述两个问题, 且总体性能比对比模型更好.

关键词: 中文关系抽取, 知识图谱, 二维实体对标注, 自然语言处理

Abstract: Aiming at the redundant relations and entity overpalling problems in the task of relational triple extraction, we proposd a 2D entity pair tagging scheme based on the relation filter (RF2DTagging). RF2DTagging model consisted of two parts: 1) A relation filter for filtering redundant relations, and 2) a 2D entity pair tagging scheme that could effectively solve various entity overlapping problems. To further validate the RF2DTagging model, we conducted experiments on three public Chinese relation extraction datasets CCKS2019-Task3, CMeIE and DuIE2.0. The experimental results show that the model can effectively solve the above two problems, and the overall performance is better than the comparison model.

Key words: Chinese relation extraction, knowledge graph, 2D entity pair tagging, natural language processing

中图分类号:

TP181

刘旭, 杨航, 张啸成, 张永刚. 基于关系过滤和实体对标注的中文关系抽取方法[J]. 吉林大学学报(理学版), 2023, 61(5): 1095-1102.

LIU Xu, YANG Hang, ZHANG Xiaocheng, ZHANG Yonggang. Chinese Relation Extraction Method Based on Relation Filtering and Entity Pair Tagging[J]. Journal of Jilin University Science Edition, 2023, 61(5): 1095-1102.

[1]	姜昀奇, 韩晓同, 田原. 基于大语言模型与适配器驱动的知识图谱补全算法[J]. 吉林大学学报(理学版), 2026, 64(2): 291-0300.
[2]	王晓燕, 黄岚, 王岩. 基于GraphRAG的大数据知识学习系统[J]. 吉林大学学报(理学版), 2025, 63(6): 1629-1636.
[3]	杨航, 张啸成, 张永刚. 基于实体类别信息的数据分析与关系抽取模型构建[J]. 吉林大学学报(理学版), 2025, 63(2): 428-0436.
[4]	何山, 肖晰, 张嘉玲. 面向领域知识图谱的实体关系抽取模型仿真[J]. 吉林大学学报(理学版), 2025, 63(2): 465-0471.
[5]	化青远, 彭涛, 崔海, 毕海嘉. 基于知识图谱中路径推理的多轮对话模型[J]. 吉林大学学报(理学版), 2025, 63(1): 76-0082.
[6]	李鑫, 王文迪, 张伟, 冯浩, 韩霄松. 基于知识嵌入技术的制度文件推荐算法[J]. 吉林大学学报(理学版), 2024, 62(6): 1377-1383.
[7]	孟令鑫, 才华, 付强, 易亚希, 刘广文, 张晨洁. 基于关系记忆与路径信息的多跳知识图谱问答算法[J]. 吉林大学学报(理学版), 2024, 62(6): 1391-1400.
[8]	李婷婷, 邵斐, 温天晓, 董飒. 自适应特征融合的迭代实体对齐方法[J]. 吉林大学学报(理学版), 2024, 62(3): 629-635.
[9]	牛增贤, 刘海峰, 徐伟峰, 李刚, 谢庆, 王洪涛. 基于扩展Span表示的电力变压器运维知识抽取与知识图谱构建[J]. 吉林大学学报(理学版), 2023, 61(5): 1112-1122.
[10]	季泊男, 张永刚. 基于注意力机制归纳网络的小样本关系抽取模型[J]. 吉林大学学报(理学版), 2023, 61(4): 845-852.
[11]	汪雨竹, 彭涛, 朱蓓蓓, 崔海. 基于元学习的小样本知识图谱补全[J]. 吉林大学学报(理学版), 2023, 61(3): 623-630.
[12]	周丰丰, 张亚琪. 基于ProtBert预训练模型的HLA-Ⅰ和多肽的结合预测算法[J]. 吉林大学学报(理学版), 2023, 61(3): 651-657.
[13]	李岳泽, 左祥麟, 左万利, 梁世宁, 张一嘉, 朱媛. 基于BERT-GCN的因果关系抽取[J]. 吉林大学学报(理学版), 2023, 61(2): 325-330.
[14]	张天杭, 李婷婷, 张永刚. 基于知识图谱嵌入的多跳中文知识问答方法[J]. 吉林大学学报(理学版), 2022, 60(1): 119-0126.
[15]	陈永恒, 左祥麟, 林耀进. 在线增量标签主题模型[J]. 吉林大学学报(理学版), 2015, 53(05): 992-998.