論文の概要: Joint Event Extraction along Shortest Dependency Paths using Graph
Convolutional Networks
- arxiv url: http://arxiv.org/abs/2003.08615v1
- Date: Thu, 19 Mar 2020 07:48:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 03:31:06.135172
- Title: Joint Event Extraction along Shortest Dependency Paths using Graph
Convolutional Networks
- Title（参考訳）: グラフ畳み込みネットワークを用いた最短依存経路の連成イベント抽出
- Authors: Ali Balali, Masoud Asadpour, Ricardo Campos, Adam Jatowt
- Abstract要約: イベント抽出は、知識ベース、質問応答、情報検索、要約といったいくつかの領域に有用である。
テキストからイベント情報を抽出する問題は長続きし、通常、精巧に設計された語彙的・構文的特徴に依存している。
本稿では,複数のイベントトリガと引数を同時に抽出することを目的とした,新しいイベント抽出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 18.983377030545128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event extraction (EE) is one of the core information extraction tasks, whose
purpose is to automatically identify and extract information about incidents
and their actors from texts. This may be beneficial to several domains such as
knowledge bases, question answering, information retrieval and summarization
tasks, to name a few. The problem of extracting event information from texts is
longstanding and usually relies on elaborately designed lexical and syntactic
features, which, however, take a large amount of human effort and lack
generalization. More recently, deep neural network approaches have been adopted
as a means to learn underlying features automatically. However, existing
networks do not make full use of syntactic features, which play a fundamental
role in capturing very long-range dependencies. Also, most approaches extract
each argument of an event separately without considering associations between
arguments which ultimately leads to low efficiency, especially in sentences
with multiple events. To address the two above-referred problems, we propose a
novel joint event extraction framework that aims to extract multiple event
triggers and arguments simultaneously by introducing shortest dependency path
(SDP) in the dependency graph. We do this by eliminating irrelevant words in
the sentence, thus capturing long-range dependencies. Also, an attention-based
graph convolutional network is proposed, to carry syntactically related
information along the shortest paths between argument candidates that captures
and aggregates the latent associations between arguments; a problem that has
been overlooked by most of the literature. Our results show a substantial
improvement over state-of-the-art methods.
- Abstract（参考訳）: イベント抽出(ee)は、インシデントとそのアクタに関する情報をテキストから自動的に識別し抽出することを目的とした、情報抽出タスクの中核である。
これは、知識ベース、質問応答、情報検索、要約タスクなどいくつかのドメインにとって有益である。
テキストからイベント情報を抽出する問題は長く、通常、精巧に設計された語彙的特徴と構文的特徴に依存している。
最近では、ディープニューラルネットワークアプローチが、基盤となる機能を自動的に学習する手段として採用されている。
しかし、既存のネットワークは構文機能を完全に利用していないため、非常に長い範囲の依存関係を捉える上で基本的な役割を担っている。
また、ほとんどのアプローチは、特に複数の事象を持つ文において、結果として効率の低下につながる議論間の関連を考慮せずに、イベントの各引数を別々に抽出する。
本稿では,複数のイベントトリガと引数を同時に抽出し,依存関係グラフに最短依存性パス(SDP)を導入することを目的とした,新しいイベント抽出フレームワークを提案する。
文中の無関係な単語を取り除き、長距離の依存関係を捉えてこれを行う。
また,議論間の潜在関係を捉え,集約する議論候補間の最短経路に沿って構文的関連情報を運ぶために,注意に基づくグラフ畳み込みネットワークを提案する。
その結果,最先端手法よりも大幅に改善した。
関連論文リスト
- 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) - Explaining Interactions Between Text Spans [50.70253702800355]
入力の異なる部分からのトークンのスパンに対する推論は、自然言語理解に不可欠である。
NLUタスク2つのタスク(NLIとFC)に対する人間間相互作用の説明データセットであるSpanExを紹介する。
次に,複数の微調整された大言語モデルの決定過程を,スパン間の相互接続の観点から検討する。
論文 参考訳（メタデータ） (2023-10-20T13:52:37Z) - Walking Down the Memory Maze: Beyond Context Limit through Interactive
Reading [63.93888816206071]
我々は,長いコンテキストを要約ノードのツリーに処理する手法であるMemWalkerを紹介した。クエリを受信すると,モデルがこのツリーをナビゲートして関連する情報を検索し,十分な情報を収集すると応答する。
その結果,MemWalkerは,テキストを対話的に読み取る際の推論ステップを強調し,クエリに関連するテキストセグメントをピンポイントすることで,説明性の向上を図っている。
論文 参考訳（メタデータ） (2023-10-08T06:18:14Z) - Retrieval-Augmented Generative Question Answering for Event Argument
Extraction [66.24622127143044]
イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。
最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。
提案手法は, 様々な設定において, かなり先行した手法より優れている。
論文 参考訳（メタデータ） (2022-11-14T02:00:32Z) - Dynamic Global Memory for Document-level Argument Extraction [63.314514124716936]
文書レベルのイベント引数抽出のための,新しいグローバルなニューラルジェネレーションベースのフレームワークを提案する。
文書メモリストアを使用してコンテキストイベント情報を記録し、それを暗黙的に明示的に活用することで、後のイベントの引数の復号に役立ちます。
実験結果から,我々のフレームワークは従来の手法よりも大幅に優れていたことが判明した。
論文 参考訳（メタデータ） (2022-09-18T23:45:25Z) - CUP: Curriculum Learning based Prompt Tuning for Implicit Event Argument
Extraction [22.746071199667146]
Implicit Event argument extract (EAE) は、文書に散らばる可能性のある引数を特定することを目的としている。
本稿では,4つの学習段階によって暗黙的EAEを解消する,カリキュラム学習に基づくプロンプトチューニング(CUP)手法を提案する。
さらに,事前学習した言語モデルから関連する知識を引き出すために,プロンプトベースのエンコーダデコーダモデルを統合する。
論文 参考訳（メタデータ） (2022-05-01T16:03:54Z) - Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit
Argument Relations [70.35379323231241]
本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。
我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。
実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2021-06-23T13:24:39Z) - Event Argument Extraction using Causal Knowledge Structures [9.56216681584111]
イベント引数抽出とは、特定のイベントのために構造化されていないテキストから構造化情報を抽出するタスクを指します。
既存の作業のほとんどは、このタスクを文レベルでモデル化し、コンテキストをローカルスコープに制限する。
複雑なイベント引数の抽出を支援するために,ドキュメントレベルのイベント情報を注入する外部知識支援アプローチを提案する。
論文 参考訳（メタデータ） (2021-05-02T13:59:07Z) - On Improving Deep Learning Trace Analysis with System Call Arguments [1.3299507495084417]
カーネルトレースは名前と複数の引数からなる低レベルのイベントのシーケンスである。
埋め込みとエンコーディングの両方を用いて、イベント名の表現と引数を学習するための一般的なアプローチを導入する。
論文 参考訳（メタデータ） (2021-03-11T19:26:34Z) - MrGCN: Mirror Graph Convolution Network for Relation Extraction with
Long-Term Dependencies [32.27755470353054]
関係抽出では、豊富な構文的手がかりを含む依存木がテキストの長期依存を捉えるのに広く使われている。
関係抽出に適したプールアンプール構造を持つGNNモデルであるミラーグラフ畳み込みネットワーク(MrGCN)を提案する。
2つのデータセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-01-01T00:52:53Z) - Document-Level Event Role Filler Extraction using Multi-Granularity
Contextualized Encoding [40.13163091122463]
イベントロールフィラーに対応するテキストの幅を決定するために、より大きなコンテキストのビューを必要とするため、イベント抽出は難しいタスクである。
まず、文書レベルのロールフィラー抽出において、エンドツーエンドのニューラルシーケンスモデルがどのように機能するかを検討する。
私たちの最高のシステムは、以前の作業よりもかなり優れたパフォーマンスを示します。
論文 参考訳（メタデータ） (2020-05-13T20:42:17Z)
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。