该PPT为阅读Neural Relation Extraction with Selective Attention over Instances论文后所做的笔记，总结了论文中的主要技术，并大致梳理了论文思路

医学文献中的因果关系提取 使用条件随机场进行因果关系提取和识别。 这是我们的教师的项目。 到项目演示。 介绍 因果关系是两个事件之间的关系：因果。 原因是结果的产生者，而结果是原因的结果。 例如“饥饿是年轻婴儿哭泣的最常见原因。” 原因是“饥饿”，结果是“哭泣”。 当前的工作集中在从医学领域文本中检测和提取因果关系。 从检测因果关系的角度来看，以下区别可能有用： •标记或未标记：如果有特定的语言单位表示这种关系，则标记因果关系； 否则未标记。 标有“我买了它，因为我读了很好的评论”； “当心。 不稳定”不是。 •歧义：如果商标始终表示因果关系，则它是明确的（例如，“因为”）。 如果它有

baseline feature.py 抽取特征 corpora corpus1.txt 远程监督标注语料 sents.txt 还原的标注句子 sents_with_pos.txt 标注格式变换 dict 字典 数值化转换 entities.dict 实体字典 nes.dict 实体标记字典 postags.dict 词性标记字典 rels.dict 关系字典 libsvm-3.22 svm算法实现工具 result 结果 feature2libsvm.csv 符合libsvm格式的输入文件 features.pickle 抽取特征的结果 features.vec.csv 特征数值化后的结果 grid.out 参数优化结果 grid.png 参数优化结果 model.txt 模型 test.vec 测试语料集 test_vec.scale 数值缩放后测试语料集 train.vec 训练语料

本文回顾了现有的RE方法，分析了当前面临的关键挑战，为更强大的RE指明了希望的方向，希望我们的观点能够推动这一领域的发展，激励社会做出更大的努力。

在投影锐化架构上结合 WTA、HL 和 HAR 的网络对关系进行无监督学习。 由库克等人设计。

ruijin_round2：瑞金医院MMC人工智能辅助建立知识图谱大赛复赛

ChineseNRE 本项目使用 python 2.7 pytorch 0.4.0 中文实体关系抽取，对实体关系抽取不了解的可以先看。顺便求star～ 数据 中文实体关系抽取数据实在太难找了，data中是忘记在哪里找的人物关系数据集，一共11+1种关系，数据质量不太好，但也找不到其他的了。 （更新）中 ybNero 同学分享了一份数据集，大家可以去issues中查看~ 梅葆玥 梅兰芳 父母 坎坷经历梅葆玥之家庭合影1961年，梅兰芳先生病逝，葆玥、葆玖姐弟俩继承父亲的遗志，挑起了梅剧团的重担 数据格式为: 实体1 实体2 关系 句子。 虽然叫中文实体关系抽取，还是增加了一个英文数据集SemEval2010_task8，简单做了下数据处理，这是免费的公开数据集，其他的好像都要dollar了。。 训练 模型使用的是lstm+attention模型。特征使用词向量+位置向量。 训练前先运行dat

关系提取 卷积神经网络的关系分类 该代码是使用tensorflow的论文的实现。 ＃＃算法 我几乎遵循了上面提到的论文中使用的技术，只调整了一些参数，例如字向量的尺寸，位置向量，优化函数等。 基本体系结构是卷积层，最大池和最终softamx层。 我们总是可以在输入层和最终的softmax层之间添加/删除conv和max-pool层的数目。 我只使用了1个转换和1个最大池。 ##文件 text_cnn.py-这是一个实现模型体系结构的类。 因此，它接受输入，包含所有层，例如conv2d （卷积层）， max_pool等，这些层处理输入向量，最后根据每个类的预测给出输出。 data_hel

能够使用关系标签的源代码。 它是VocabularyMem项目的一部分，但可以单独使用。 关系标签是可以关联在一起的标签。 例如，标签“ Paris”和标签“ France”可以与关系“ is part of”关联。 此代码从0开始创建，并且能够使用大多数元素的数学属性来定义我们使用的关系类型。 强烈建议您阅读“程序员的关系标签指南”。 在源zip内部，还包含用于此扩展标签的set属性的对话框。 所有这些对话框文件都以“ ... dlg.cpp”或“ ,,, dlg.h”结尾。 请阅读“自述文件”。 建议使用诸如BinMatrix之类的二进制矩阵类，以具有足够的速度来计算具有大数据的虚假标签系统中的隐式关系。 需要使用C ++ 11和Qt库进行编译

模块化的、具有关系推理能力的深度神经网络架构 RN介绍，可以“即插即用”，提升其他深度神经网络结构（如 CNN）关系推理的能力。