【MIT博士论文】从结构化文档到结构化知识, 150页pdf

结构化文档，如科学文献和医疗记录，是知识的丰富资源。然而，大多数自然语言处理技术将这些文档视为纯文本，忽略了布局结构和视觉信号的重要性。为了全面理解这些文档，对这种结构的建模是至关重要的。本论文提出了从结构化文档中提取结构化知识的新算法。首先，我们提出GraphIE，一个信息提取框架，专门设计用来建模结构化文档中的非局部和非顺序依赖关系。GraphIE 通过图神经网络利用结构信息来增强单词级的标签预测。在三个提取任务的评估中，GraphIE始终超过仅基于纯文本运行的顺序模型。接下来，我们深入研究化学领域的信息提取。科学文献经常以信息图形的形式描述分子和反应。为了提取这些分子，我们开发了MolScribe，一个将分子图像转化为其图形结构的工具。MolScribe在图像到图形生成模型中整合了符号化学约束，显示出对处理各种绘图风格和习惯的稳健性能。为了提取反应方案，我们提出了RxnScribe，它通过序列生成公式解析反应图。尽管RxnScribe是在一个适度的数据集上进行训练的，但它在不同类型的图表上都表现出强劲的性能。最后，我们介绍TextReact，一种直接增强预测化学与文本检索的新方法，绕过了中间的信息提取步骤。我们在反应条件推荐和逆合成预测的实验中展示了TextReact在从文献中检索相关信息并泛化到新输入的有效性。