SciERC

我们在科学文章中引入了识别实体、关系和共指集群的多任务设置。我们创建了SCIERC，这是一个包含所有三个任务的注释的数据集，并开发了一个名为SCIIE的统一框架，具有共享跨度表示。多任务设置减少了任务之间的级联错误，并通过共指链接利用了跨句关系。实验表明，我们的多任务模型在科学信息提取方面优于以前的模型，而无需使用任何特定领域的特征。我们进一步表明，该框架支持构建科学知识图谱，我们用它来分析信息非科学文献。

We introduce a multi-task setting for identifying entities, relations, and coreference clusters in scientific articles. We created SCIERC, a dataset annotated with all three tasks, and developed a unified framework named SCIIE that features shared span representations. This multi-task setting reduces cascading errors between tasks and leverages cross-sentence relations via coreference links. Experiments show that our multi-task model outperforms previous models in scientific information extraction without utilizing any domain-specific features. We further demonstrate that this framework supports the construction of scientific knowledge graphs, which we use to analyze information from non-scientific literature.

搜集汇总

背景与挑战

背景概述

SciERC是一个专注于科学文章的多任务数据集，旨在同时支持实体识别、关系抽取和共指消解三个任务，以促进科学知识图谱的构建。该数据集由华盛顿大学于2018年发布，通过统一框架减少任务间的级联错误，并利用共指链接提升跨句关系处理能力，无需依赖特定领域特征即可在科学信息提取中取得优异性能。