論文の概要: In Layman's Terms: Semi-Open Relation Extraction from Scientific Texts

• arxiv url: http://arxiv.org/abs/2005.07751v2
• Date: Tue, 26 May 2020 13:55:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 23:09:34.936310
• Title: In Layman's Terms: Semi-Open Relation Extraction from Scientific Texts
• Title（参考訳）: レイマンの言葉で:科学文献からの半オープンな関係抽出
• Authors: Ruben Kruiper, Julian F.V. Vincent, Jessica Chen-Burger, Marc P.Y. Desmulliez, Ioannis Konstas
• Abstract要約: 我々はFOBIEデータセットを提示し、FOBIEを用いて最先端の狭義のIEシステムを訓練する。 次に、狭義のIEシステムと最先端のオープンIEシステムの両方を、10万個のオープンアクセス科学的生物学的テキストのコーパス上で実行します。 提案手法では, 不正かつ不正なOpen IE抽出のかなりの量の65%を, 狭いIE抽出を用いてフィルタリング可能であることを示す。
• 参考スコア（独自算出の注目度）: 12.819150283584328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information Extraction (IE) from scientific texts can be used to guide readers to the central information in scientific documents. But narrow IE systems extract only a fraction of the information captured, and Open IE systems do not perform well on the long and complex sentences encountered in scientific texts. In this work we combine the output of both types of systems to achieve Semi-Open Relation Extraction, a new task that we explore in the Biology domain. First, we present the Focused Open Biological Information Extraction (FOBIE) dataset and use FOBIE to train a state-of-the-art narrow scientific IE system to extract trade-off relations and arguments that are central to biology texts. We then run both the narrow IE system and a state-of-the-art Open IE system on a corpus of 10k open-access scientific biological texts. We show that a significant amount (65%) of erroneous and uninformative Open IE extractions can be filtered using narrow IE extractions. Furthermore, we show that the retained extractions are significantly more often informative to a reader.
• Abstract（参考訳）: 科学文書からの情報抽出(ie)は、科学文書の中央情報に読者を導くのに使うことができる。 しかし、狭いIEシステムは取得した情報のごく一部だけを抽出し、Open IEシステムは科学的テキストで遭遇する長く複雑な文ではうまく機能しない。 本研究では,両システムの出力を組み合わせることで,生物領域における新たな課題である半開放的関係抽出を実現する。 まず,焦点を絞ったオープンバイオ情報抽出(fobie)データセットを提示し,fobieを用いて最先端の狭義の科学ieシステムを訓練し,生物学のテキストに中心となるトレードオフ関係や議論を抽出する。 次に、狭義のIEシステムと最先端のオープンIEシステムの両方を、10万個のオープンアクセス科学的生物学的テキストのコーパス上で実行します。 また, 誤りや不正なOpen IE抽出の量の65%が, 狭いIE抽出を用いてフィルタリング可能であることを示す。 さらに, 保持された抽出量は, 読者に対して有意に有益であることを示す。

関連論文リスト

• ADELIE: Aligning Large Language Models on Information Extraction [55.60192044049083]
  大規模言語モデル(LLM)は通常、情報抽出タスクで不足する。 本稿では,様々なIEタスクを効果的に解決する協調LLMであるADELIEを紹介する。 本稿では,オープンソースモデル間でのSoTA(State-of-the-art)性能について述べる。
  論文  参考訳（メタデータ） (2024-05-08T12:24:52Z)
• AutoIE: An Automated Framework for Information Extraction from Scientific Literature [6.235887933544583]
  AutoIEは科学的なPDF文書から重要データの抽出を自動化するために設計されたフレームワークである。 我々のSBERTモデルは、CoNLL04およびADEデータセット上で87.19と89.65の高いマルコF1スコアを達成する。 この研究は、分子シーブ合成におけるデータ管理と解釈の強化の道を開くものである。
  論文  参考訳（メタデータ） (2024-01-30T01:45:03Z)
• CARE: Extracting Experimental Findings From Clinical Literature [29.763929941107616]
  本研究は,臨床所見抽出のための新しいIEデータセットであるCAREを提示する。 我々は,エンティティと属性間のn-ary関係として微細な発見をキャプチャする新しいアノテーションスキーマを開発した。 臨床治験と症例報告の2つの資料から,700件の要約の広範な注釈を収集した。
  論文  参考訳（メタデータ） (2023-11-16T10:06:19Z)
• PIVOINE: Instruction Tuning for Open-world Information Extraction [53.98073623222221]
  構造化されていないテキストから包括的エンティティプロファイルを抽出するオープンワールド情報抽出(オープンワールドIE)の問題を考える。 我々は,オープンワールドIEを動作させ,自然言語命令を特徴とする目的のエンティティプロファイルを抽出できる大規模言語モデル(LLM)を開発した。 特にINSTRUCTOPENWIKIは,包括的コーパス,豊富なアノテーション,多種多様な命令を満載したオープンワールドIE向け指導チューニングデータセットである。
  論文  参考訳（メタデータ） (2023-05-24T08:52:08Z)
• The Semantic Scholar Open Data Platform [79.4493235243312]
  セマンティック・スカラー(Semantic Scholar、S2)は、学術文献の発見と理解を支援することを目的としたオープンデータプラットフォームおよびウェブサイトである。 我々は、学術的なPDFコンテンツ抽出と知識グラフの自動構築のための最先端技術を用いて、パブリックおよびプロプライエタリなデータソースを組み合わせる。 このグラフには、構造解析されたテキスト、自然言語要約、ベクトル埋め込みなどの高度な意味的特徴が含まれている。
  論文  参考訳（メタデータ） (2023-01-24T17:13:08Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• Text to Insight: Accelerating Organic Materials Knowledge Extraction via Deep Learning [1.2774526936067927]
  本研究は,有機材料の知識抽出を探求することを目的とする。 我々は,92,667件の要約から,855件の注釈文と708,376件の注釈文からなる研究データセットを構築した。 BiLSTM-CNN-CRF深層学習モデルを用いて,文献から重要な知識を自動的に抽出した。
  論文  参考訳（メタデータ） (2021-09-27T01:58:35Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• Joint Biomedical Entity and Relation Extraction with Knowledge-Enhanced Collective Inference [42.255596963210564]
  KECIという名前の結合エンティティと関係抽出のための外部知識を利用する新しいフレームワークを提案する。 KeCIは、グローバルリレーショナル情報をローカル表現に統合することで、参照スパンをエンティティにリンクする集合的なアプローチを採用している。 実験の結果、このフレームワークは2つの異なるベンチマークデータセットで新しい最先端の成果を得られることが判明した。
  論文  参考訳（メタデータ） (2021-05-27T21:33:34Z)
• SciREX: A Challenge Dataset for Document-Level Information Extraction [56.83748634747753]
  ドキュメントレベルで大規模な情報抽出データセットを作成するのは難しい。 複数のIEタスクを含む文書レベルのIEデータセットであるSciREXを紹介する。 我々は、従来の最先端のIEモデルをドキュメントレベルのIEに拡張する強力なベースラインとして、ニューラルモデルを開発する。
  論文  参考訳（メタデータ） (2020-05-01T17:30:10Z)

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。