Hierarchical reinforcement learning with advantage function for entity relation extraction
Notice bibliographique
Résumé
Unlike the traditional pipeline methods, the joint extraction approaches use a single model to distill the entities and semantic relations between entities from the unstructured texts and achieve better performances. A pioneering work, HRL-RE, uses a hierarchical reinforcement learning model to distill entities and relations that decompose the entire extraction process into a high-level relationship extraction and a low-level entity identification. HRL-RE makes the extraction of entities and relations more accurate while solving overlapped entities and relations to a certain extent. However, this method has not achieved satisfactory results in dealing with overlapped entities and relations in sentences. One reason is that learning a policy is usually inefficient, and the other one is the high variance of gradient estimators. In this paper, we propose a new method, Advantage Hierarchical Reinforcement Learning for Entity Relation Extraction (AHRL-ERE), which combines the HRL-RE model with a new advantage function to distill entities and relations from the structureless text. Specifically, based on the reference value of the policy function in the high-level subtask, we construct a new advantage function. Then, we combine this advantage function with the value function of the strategy in the low-level subtask to form a new value function. This new value function can immediately evaluate the current policy, so our AHR-ERE method can correct the direction of the policy gradient update in time, thereby making policy learning efficient. Moreover, our advantage function subtracts the reference value of the high-level policy value function from the low-level policy value function so that AHRL-ERE can decrease the variance of the gradient estimator. Thus our AHRL-ERE method is more effective for extracting overlapped entities and relations from the unstructured text. Experiments on the diffusely used datasets demonstrate that our proposed algorithm has better manifestation than the existing approaches do.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».