論文の概要: Exploring the Suitability of Semantic Spaces as Word Association Models
for the Extraction of Semantic Relationships
- arxiv url: http://arxiv.org/abs/2004.14265v1
- Date: Wed, 29 Apr 2020 15:25:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 12:59:47.676935
- Title: Exploring the Suitability of Semantic Spaces as Word Association Models
for the Extraction of Semantic Relationships
- Title（参考訳）: 意味関係抽出のための単語連想モデルとしての意味空間の適合性の検討
- Authors: Epaminondas Kapetanios, Vijayan Sugumaran, and Anastassia Angelopoulou
- Abstract要約: 本稿では,従来の意味空間とモデル(例えば,単語の関連付けを抽出するためのWord Embedding)を用いた新しいアイデアを提案する。
目標は、これらの単語関連モデルを使用して、現在の関係抽出アプローチを強化することである。
- 参考スコア（独自算出の注目度）: 1.8352113484137629
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Given the recent advances and progress in Natural Language Processing (NLP),
extraction of semantic relationships has been at the top of the research agenda
in the last few years. This work has been mainly motivated by the fact that
building knowledge graphs (KG) and bases (KB), as a key ingredient of
intelligent applications, is a never-ending challenge, since new knowledge
needs to be harvested while old knowledge needs to be revised. Currently,
approaches towards relation extraction from text are dominated by neural models
practicing some sort of distant (weak) supervision in machine learning from
large corpora, with or without consulting external knowledge sources. In this
paper, we empirically study and explore the potential of a novel idea of using
classical semantic spaces and models, e.g., Word Embedding, generated for
extracting word association, in conjunction with relation extraction
approaches. The goal is to use these word association models to reinforce
current relation extraction approaches. We believe that this is a first attempt
of this kind and the results of the study should shed some light on the extent
to which these word association models can be used as well as the most
promising types of relationships to be considered for extraction.
- Abstract（参考訳）: 近年の自然言語処理(nlp)の進歩と進歩を考えると,近年,意味関係の抽出が研究課題のトップに挙げられている。
この研究は、知的アプリケーションの主要な要素である知識グラフ(kg)とベース(kb)を構築することは、新しい知識を収穫し、古い知識を改訂する必要があるため、絶え間ない課題であるという事実に主に動機づけられている。
現在、テキストからの関係抽出へのアプローチは、外部の知識ソースに相談することなく、大規模なコーパスからの機械学習におけるある種の遠隔(弱)監視を実践するニューラルモデルによって支配されている。
本稿では,古典的意味空間とモデル,例えば単語の関連を抽出するために生成された単語埋め込みを,関係抽出アプローチと組み合わせて用いるという新しい概念の可能性を実験的に研究し,検討する。
目標は、これらの単語関連モデルを使用して、現在の関係抽出アプローチを強化することである。
これはこの種の最初の試みであり、この研究の結果は、これらの単語関連モデルがどの程度使われるか、そして抽出のために考慮すべき最も有望な関係性について、ある程度の光を当てるべきであると考えている。
関連論文リスト
- Ontological Relations from Word Embeddings [2.384873896423002]
BERTのような一般的なニューラルモデルから得られる単語埋め込みの類似性は、それらの単語の意味の意味的類似性の形で効果的に近似することが確実に示されている。
これらの埋め込みの上に単純なフィードフォワードアーキテクチャを組み込むことで、入力データに応じて様々な一般化能力を持つ有望な精度が得られることを示す。
論文 参考訳（メタデータ） (2024-08-01T10:31:32Z) - Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳（メタデータ） (2024-07-17T20:01:21Z) - Comparative Analysis of Contextual Relation Extraction based on Deep
Learning Models [0.0]
バイオメディカル産業におけるドメイン知識の創出には, 効率的かつ正確なCREシステムが必要である。
深層学習技術は、複数の文からコンテキストに基づいて適切な意味関係を識別するために用いられてきた。
本稿では,関係抽出に使用される様々な深層学習モデルの解析について述べる。
論文 参考訳（メタデータ） (2023-09-13T09:05:09Z) - Commonsense Knowledge Transfer for Pre-trained Language Models [83.01121484432801]
ニューラルコモンセンス知識モデルに格納されたコモンセンス知識を汎用的な事前学習言語モデルに転送するフレームワークであるコモンセンス知識伝達を導入する。
まず、一般的なテキストを利用して、ニューラルコモンセンス知識モデルからコモンセンス知識を抽出するクエリを形成する。
次に、コモンセンスマスクの埋め込みとコモンセンスの関係予測という2つの自己教師対象で言語モデルを洗練する。
論文 参考訳（メタデータ） (2023-06-04T15:44:51Z) - Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。
我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
論文 参考訳（メタデータ） (2023-05-25T15:26:13Z) - Learning Attention-based Representations from Multiple Patterns for
Relation Prediction in Knowledge Graphs [2.4028383570062606]
AEMPは、エンティティのコンテキスト情報を取得することによって、コンテキスト化された表現を学習するための新しいモデルである。
AEMPは、最先端の関係予測手法よりも優れるか、競合する。
論文 参考訳（メタデータ） (2022-06-07T10:53:35Z) - 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) - Introducing Syntactic Structures into Target Opinion Word Extraction
with Deep Learning [89.64620296557177]
目的語抽出のためのディープラーニングモデルに文の構文構造を組み込むことを提案する。
また,ディープラーニングモデルの性能向上のために,新たな正規化手法を導入する。
提案モデルは,4つのベンチマークデータセット上での最先端性能を広範囲に解析し,達成する。
論文 参考訳（メタデータ） (2020-10-26T07:13:17Z) - Extracting Semantic Concepts and Relations from Scientific Publications
by Using Deep Learning [0.0]
本研究の目的は,学術出版物から意味概念と関係を自動的に抽出する提案を行うことである。
本稿では,意味関係の新たなタイプを提案するとともに,意味関係抽出に深層学習(DL)モデルを用いる点を指摘する。
論文 参考訳（メタデータ） (2020-09-01T10:19:18Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z) - Distributional semantic modeling: a revised technique to train term/word
vector space models applying the ontology-related approach [36.248702416150124]
ニューラルネットワークを用いた分散項表現(あるいは項埋め込み)学習による分布意味モデリングのための新しい手法を設計する。
Vec2graphは、動的かつインタラクティブなグラフとして単語埋め込み(私たちの場合の長期埋め込み)を視覚化するためのPythonライブラリである。
論文 参考訳（メタデータ） (2020-03-06T18:27:39Z)
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。