論文の概要: More Data, More Relations, More Context and More Openness: A Review and Outlook for Relation Extraction

• arxiv url: http://arxiv.org/abs/2004.03186v3
• Date: Wed, 30 Sep 2020 09:15:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 23:47:27.061677
• Title: More Data, More Relations, More Context and More Openness: A Review and Outlook for Relation Extraction
• Title（参考訳）: よりデータ、より関係性、よりコンテキスト、よりオープン性:関係抽出のレビューと展望
• Authors: Xu Han, Tianyu Gao, Yankai Lin, Hao Peng, Yaoliang Yang, Chaojun Xiao, Zhiyuan Liu, Peng Li, Maosong Sun, Jie Zhou
• Abstract要約: 人々はテキストから事実を抽出しようと長年取り組んできた。 Webテキストの爆発と新しい関係の出現により、人間の知識は劇的に増加しています。 我々はより強力な抽出(RE)に向けて有望な方向を示す。
• 参考スコア（独自算出の注目度）: 106.28192084309617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relational facts are an important component of human knowledge, which are hidden in vast amounts of text. In order to extract these facts from text, people have been working on relation extraction (RE) for years. From early pattern matching to current neural networks, existing RE methods have achieved significant progress. Yet with explosion of Web text and emergence of new relations, human knowledge is increasing drastically, and we thus require "more" from RE: a more powerful RE system that can robustly utilize more data, efficiently learn more relations, easily handle more complicated context, and flexibly generalize to more open domains. In this paper, we look back at existing RE methods, analyze key challenges we are facing nowadays, and show promising directions towards more powerful RE. We hope our view can advance this field and inspire more efforts in the community.
• Abstract（参考訳）: 関係事実は人間の知識の重要な構成要素であり、大量のテキストに隠されている。 これらの事実をテキストから抽出するために、人々は長年、関係抽出(RE)に取り組んでいる。 初期のパターンマッチングから現在のニューラルネットワークに至るまで、既存のREメソッドは大きな進歩を遂げている。 より強力なREシステムは、より多くのデータを堅牢に利用し、より関係を効率的に学習し、より複雑なコンテキストを容易に処理し、よりオープンなドメインに柔軟に一般化することができる。 本稿では、既存のRE手法を振り返り、現在直面している重要な課題を分析し、より強力なREに向けた有望な方向性を示す。 私たちの見解がこの分野を前進させ、コミュニティのさらなる努力を刺激できることを願っています。

関連論文リスト

• A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers [76.51245425667845]
  関係抽出(RE)は、基礎となるコンテンツからエンティティ間の関係を識別する。 ディープニューラルネットワークはREの分野を支配しており、顕著な進歩を遂げている。 この調査は、現実世界のREシステムの課題に対処するための研究者の協力的な取り組みを促進することが期待されている。
  論文  参考訳（メタデータ） (2023-06-03T08:39:25Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• An Overview of Distant Supervision for Relation Extraction with a Focus on Denoising and Pre-training Methods [0.0]
  関係抽出は自然言語処理の基本課題である。 RE法の歴史は、パターンベースRE、統計ベースRE、ニューラルベースRE、大規模言語モデルベースREの4つのフェーズに大別できる。
  論文  参考訳（メタデータ） (2022-07-17T21:02:04Z)
• Should We Rely on Entity Mentions for Relation Extraction? Debiasing Relation Extraction with Counterfactual Analysis [60.83756368501083]
  文レベルの関係抽出のためのCORE(Counterfactual Analysis based Relation extract)デバイアス法を提案する。 我々のCORE法は,トレーニングプロセスを変更することなく,推論中に既存のREシステムを劣化させるモデルに依存しない。
  論文  参考訳（メタデータ） (2022-05-08T05:13:54Z)
• Deep Neural Network Based Relation Extraction: An Overview [2.8436446946726552]
  関係抽出(RE)は自然言語処理(NLP)において重要な役割を果たします。 その目的は自然言語テキストからエンティティ間の意味関係を特定することである。 Deep Neural Networks (DNN) は RE のための最も普及した、信頼できる解決です。
  論文  参考訳（メタデータ） (2021-01-06T07:53:05Z)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)

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。