文件名称：scite:基于转移转移嵌入的自专心BiLSTM-CRF的因果关系提取
文件大小：354KB
文件格式：ZIP
更新时间：2024-06-13 16:29:13
sequence-labeling bilstm-crf self-attention flair-embeddings causality-extraction
站点 小号ELF-细心BiLSTM-ÇRF瓦特第I和T ransferredËmbeddings为因果关系提取。 arXiv论文链接： : 免费访问链接： : （论文中的表6似乎没有被正确编辑...） 强调 提出了一种新颖的因果关系标记方案以服务于因果关系提取 嵌入的嵌入大大减轻了数据不足的问题 自我注意机制可以捕获因果关系之间的长期依赖关系 实验结果表明，该方法优于其他基准 抽象的 从自然语言文本中提取因果关系是人工智能中一个具有挑战性的开放性问题。 现有方法利用模式，约束和机器学习技术来提取因果关系，这在很大程度上取决于领域知识，并且需要相当多的人力和时间来进行特征工程。 在本文中，我们基于新的因果关系标记方案，将因果关系提取公式指定为序列标记问题。 在此基础上，我们提出了一种以BiLSTM-CRF模型为骨干的神经因果提取器，称为SCITE（自注意力BiLSTM-CRF传递嵌
【文件预览】：
scite-master
----data_prep.ipynb(35KB)
----corpus()
--------test-corpus.xml(161KB)
--------train-corpus.xml(911KB)
----models()
--------trainer.py(22KB)
--------tag2triplet.py(10KB)
--------ChainCRF.py(14KB)
--------MHSA.py(9KB)
--------evaluate.ipynb(225KB)
----LICENSE(11KB)
----README.md(3KB)
----.gitattributes(66B)