الاستخراج الثلاثي العلائقية هي مهمة حاسمة لبناء الرسم البياني المعارف. تركز الأساليب الحالية أساسا على ثلاثة أضعاف ثلاثية صحيحة يتم التعبير عنها بشكل مباشر، ولكن عادة ما تعاني من تجاهل ثلاث مرات ضمنية تفتقر إلى التعبيرات الصريحة. هذا سيؤدي إلى عدم اك
تمال خطير الرسوم البيانية المعرفة المبنية. لحسن الحظ، توفر ثلاث مرات أخرى في الجملة معلومات تكميلية لاكتشاف أزواج الكيانات التي قد تكون لها علاقات ضمنية. أيضا، يمكن تحديد أنواع العلاقات بين أزواج الكيان المتصلة الضمنيا مع أنماط التفكير العلائقية في العالم الحقيقي. في هذه الورقة، نقترح إطارا موحدا لاستخراج ثلاثة أضعاف ثلاثياتي صريحة وضرورية. لاستكشاف أزواج الكيانات التي قد تكون مرتبطة ضمنيا بالعلاقات، نقترح شبكة مؤشر ثنائية لاستخراج ثلاث مرات متداخلة ثلاثية ذات صلة بكل كلمة بالتتابع والاحتفاظ بمعلومات ثلاث مرات المستخرجة سابقا في ذاكرة خارجية. لاستنتاج أنواع العلاقات ثلاث مرات التوالي الضمنية، نقترح تقديم أنماط التفكير العلائقية العالمية الحقيقية في طرازنا والتقاط هذه الأنماط مع شبكة العلاقة. نقوم بإجراء تجارب على عدة مجموعات من مجموعات البيانات القياسية، وتثبت النتائج صحة طريقتنا.
على الرغم من أن النماذج الكبيرة المدربة مسبقا (E.G.، Bert، Ernie، Xlnet، GPT3 وما إلى ذلك) قدمت أداء أعلى في النمذجة SEQ2SEQ، وغالبا ما تعوق عمليات نشرها في تطبيقات العالم الحقيقي بواسطة الحسابات المفرطة وطلب الذاكرة المعنية. بالنسبة للعديد من التطبي
قات، بما في ذلك التعرف على الكيان المسمى (NER)، فإن مطابقة النتيجة الحديثة تحت الميزانية قد جذبت اهتماما كبيرا. رسم الطاقة من التقدم الأخير في تقطير المعرفة (دينار كويتي)، يعرض هذا العمل مخطط تقطير جديد لنقل المعرفة بكفاءة المستفادة من النماذج الكبيرة إلى نظيرها أكثر بأسعار معقولة. يسلط حلنا الضوء على بناء الملصقات البديلة من خلال خوارزمية K-Best Viterbi إلى معرفة تقطر من طراز المعلم. لإحداث المعرفة إلى حد ما في نموذج الطالب، نقترح خطة تقطير متعددة الحبيبات، التي تدمج عبر الانتروبي الصليب المشارك في مجال عشوائي مشروط (CRF) والتعلم الغامض. للتحقق من صحة فعالية اقتراحنا، أجرينا تقييم شامل على خمسة نير معايير، الإبلاغ عن مكاسب أداء المجلس عبر المجلس بالنسبة للفنون السابقة المتنافسة. نناقش نتائج الآراء بشكل أكبر لتشريح مكاسبنا.
