論文の概要: Learning Relation Ties with a Force-Directed Graph in Distant Supervised Relation Extraction

• arxiv url: http://arxiv.org/abs/2004.10051v1
• Date: Tue, 21 Apr 2020 14:41:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:57:27.234856
• Title: Learning Relation Ties with a Force-Directed Graph in Distant Supervised Relation Extraction
• Title（参考訳）: 遠方教師付き関係抽出における力向グラフとの学習関係
• Authors: Yuming Shang, Heyan Huang, Xin Sun, Xianling Mao
• Abstract要約: 関係関係は、異なる関係間の相関関係と相互排除として定義されるが、遠方の教師付き関係抽出には重要である。 既存のアプローチは、局所的な依存関係を丁寧に学習することで、この特性をモデル化する。 本稿では,関係関係を包括的に学習する,力によるグラフに基づく関係抽出モデルを提案する。
• 参考スコア（独自算出の注目度）: 39.73191604776768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation ties, defined as the correlation and mutual exclusion between different relations, are critical for distant supervised relation extraction. Existing approaches model this property by greedily learning local dependencies. However, they are essentially limited by failing to capture the global topology structure of relation ties. As a result, they may easily fall into a locally optimal solution. To solve this problem, in this paper, we propose a novel force-directed graph based relation extraction model to comprehensively learn relation ties. Specifically, we first build a graph according to the global co-occurrence of relations. Then, we borrow the idea of Coulomb's Law from physics and introduce the concept of attractive force and repulsive force to this graph to learn correlation and mutual exclusion between relations. Finally, the obtained relation representations are applied as an inter-dependent relation classifier. Experimental results on a large scale benchmark dataset demonstrate that our model is capable of modeling global relation ties and significantly outperforms other baselines. Furthermore, the proposed force-directed graph can be used as a module to augment existing relation extraction systems and improve their performance.
• Abstract（参考訳）: 相互関係の相関関係と相互排他関係として定義される関係関係は、遠方の教師付き関係抽出において重要である。 既存のアプローチは、局所的な依存関係を丁寧に学習することで、この特性をモデル化する。 しかし、それらは本質的には関係関係のグローバルなトポロジー構造を捉えないことによって制限される。 結果として、それらは容易に局所最適解に陥る。 そこで,本稿では,関係関係を包括的に学習する新しい力によるグラフベース関係抽出モデルを提案する。 具体的には、まずグローバルな関係の共起に従ってグラフを構築する。 次に、クーロンの法則を物理学から借用し、このグラフに魅力的な力と反発力の概念を導入し、相関関係と相互排他関係を学習する。 最後に、得られた関係表現を相互依存関係分類器として適用する。 大規模ベンチマークデータセットによる実験結果から,我々のモデルはグローバルな関係関係をモデル化し,他のベースラインを著しく上回ることを示す。 さらに,提案する力向グラフは,既存の関係抽出システムを強化し,その性能を向上させるためのモジュールとして使用できる。

関連論文リスト

• 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)
• Document-Level Relation Extraction with Relation Correlation Enhancement [10.684005956288347]
  ドキュメントレベルの関係抽出(DocRE)は、ドキュメント内のエンティティ間の関係を識別することに焦点を当てたタスクである。 既存のDocREモデルは、しばしば関係関係の相関を見落とし、関係関係の定量的分析を欠いている。 本稿では,関係間の相互依存を明示的に活用することを目的とした関係グラフ手法を提案する。
  論文  参考訳（メタデータ） (2023-10-06T10:59:00Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Knowledge Graph Completion with Counterfactual Augmentation [23.20561746976504]
  我々は,「実体の近傍が観察と異なるものになったら,その関係は存在するのか?」という反事実的疑問を提起する。 知識グラフ上の因果モデルを慎重に設計し,その疑問に答える反事実関係を生成する。 我々は、KGs上のGNNベースのフレームワークと作成した対物関係を組み込んで、エンティティペア表現の学習を増強する。
  論文  参考訳（メタデータ） (2023-02-25T14:08:15Z)
• 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)
• Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs [41.38172189254483]
  TACTは、2つの関係間の意味的相関がそれらのトポロジカルナレッジグラフと非常に相関しているという観測に触発される。 関係対を複数のトポロジ的パターンに分類し、相関ネットワーク(RCN)の構造を提案し、帰納的リンク予測における異なるパターンの重要性を学習する。 実験では、TACTが関係間のセマンティック相関を効果的にモデル化し、ベンチマークデータセット上の既存の最先端の方法を大幅に上回ることが示されています。
  論文  参考訳（メタデータ） (2021-03-05T13:00:10Z)
• 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)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。