論文の概要: A logic-based relational learning approach to relation extraction: The OntoILPER system

• arxiv url: http://arxiv.org/abs/2001.04192v1
• Date: Mon, 13 Jan 2020 12:47:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 22:32:01.004280
• Title: A logic-based relational learning approach to relation extraction: The OntoILPER system
• Title（参考訳）: 論理型関係学習による関係抽出:OntoILPERシステム
• Authors: Rinaldo Lima, Bernard Espinasse (LIS, R2I), Fred Freitas
• Abstract要約: 論理に基づく関係学習手法OntoILPERを提案する。 OntoILPERは、例のリッチなリレーショナル表現の利益を享受し、欠点を軽減することができる。 提案手法は統計的手法よりも関係抽出に適していると考えられる。
• 参考スコア（独自算出の注目度）: 0.9176056742068812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation Extraction (RE), the task of detecting and characterizing semantic relations between entities in text, has gained much importance in the last two decades, mainly in the biomedical domain. Many papers have been published on Relation Extraction using supervised machine learning techniques. Most of these techniques rely on statistical methods, such as feature-based and tree-kernels-based methods. Such statistical learning techniques are usually based on a propositional hypothesis space for representing examples, i.e., they employ an attribute-value representation of features. This kind of representation has some drawbacks, particularly in the extraction of complex relations which demand more contextual information about the involving instances, i.e., it is not able to effectively capture structural information from parse trees without loss of information. In this work, we present OntoILPER, a logic-based relational learning approach to Relation Extraction that uses Inductive Logic Programming for generating extraction models in the form of symbolic extraction rules. OntoILPER takes profit of a rich relational representation of examples, which can alleviate the aforementioned drawbacks. The proposed relational approach seems to be more suitable for Relation Extraction than statistical ones for several reasons that we argue. Moreover, OntoILPER uses a domain ontology that guides the background knowledge generation process and is used for storing the extracted relation instances. The induced extraction rules were evaluated on three protein-protein interaction datasets from the biomedical domain. The performance of OntoILPER extraction models was compared with other state-of-the-art RE systems. The encouraging results seem to demonstrate the effectiveness of the proposed solution.
• Abstract（参考訳）: テキスト中の実体間の意味関係を検出・特徴付ける作業である関係抽出(re)は,過去20年間,主に生物医学領域において重要視されてきた。 教師付き機械学習技術を用いた関係抽出に関する多くの論文が出版されている。 これらの手法のほとんどは、特徴に基づく手法や木カーネルに基づく手法など、統計手法に依存している。 このような統計的学習技術は通常、例を表現するための命題仮説空間に基づいており、特徴の属性値表現を用いる。 この種の表現にはいくつかの欠点があり、特に複雑な関係の抽出において、関連するインスタンスに関するより文脈的な情報、すなわち、情報を失うことなく解析木から構造情報を効果的に取得することはできない。 本稿では,帰納的論理プログラミングを用いてシンボリック抽出規則の形で抽出モデルを生成する,関係抽出のための論理ベースの関係学習手法である onilper を提案する。 OntoILPERは、例のリッチなリレーショナル表現の利益を得て、前述の欠点を軽減することができる。 提案手法は,いくつかの理由から,統計的手法よりも関係抽出に適していると考えられる。 さらに、オンティルパーはバックグラウンド知識生成プロセスをガイドするドメインオントロジーを使用し、抽出された関係インスタンスを格納する。 バイオメディカルドメインからのタンパク質-タンパク質相互作用データセットを3つ評価した。 OntoILPER抽出モデルの性能は他の最先端REシステムと比較した。 その結果,提案手法の有効性が示唆された。

関連論文リスト

• Maximizing Relation Extraction Potential: A Data-Centric Study to Unveil Challenges and Opportunities [3.8087810875611896]
  本稿では,ニューラルリレーション抽出を阻害するデータ中心特性について検討する。 それは、文脈の曖昧さ、関係関係の関連、長い尾のデータ、きめ細かい関係の分布など、重要な問題を強調している。 これらの問題を緩和するための将来の方向性を示すマーカーをセットし、初心者や先進的な研究者にとって重要なリソースであることを証明している。
  論文  参考訳（メタデータ） (2024-09-07T23:40:47Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
  関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。 既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。 本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
  論文  参考訳（メタデータ） (2023-12-18T09:58:19Z)
• Siamese Representation Learning for Unsupervised Relation Extraction [5.776369192706107]
  非教師付き関係抽出(URE)は、オープンドメインのプレーンテキストから名前付きエンティティペア間の基礎となる関係を見つけることを目的としている。 比較学習を利用した既存のUREモデルでは、正のサンプルを惹きつけ、より良い分離を促進するために負のサンプルを反発させる効果がある。 非教師関係抽出のためのシームズ表現学習 - 正のペアを単純に活用して表現学習を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-01T02:57:43Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised Relation Extraction [60.80849503639896]
  非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文からエンティティ間の関係を抽出することを目的としている。 本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。 2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-05-04T17:56:48Z)
• Multi-Attribute Relation Extraction (MARE) -- Simplifying the Application of Relation Extraction [3.1255943277671894]
  自然言語理解の関係抽出は、革新的で奨励的なビジネス概念を可能にする。 現在のアプローチでは、属性として固定数のエンティティと関係を抽出することができる。 2つのアプローチによる仮定レス問題定式化としてマルチ属性関係抽出(MARE)を導入する。
  論文  参考訳（メタデータ） (2021-11-17T11:06:39Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
  この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。 本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。 約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
  論文  参考訳（メタデータ） (2021-09-10T22:30:48Z)
• Techniques for Jointly Extracting Entities and Relations: A Survey [31.759798455009253]
  伝統的に、関係抽出は「パイプライン」の方法で実体抽出後に行われる。 共同実行エンティティと関係抽出は、両方のタスクに有益であることが観察された。
  論文  参考訳（メタデータ） (2021-03-10T15:18:24Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。