論文の概要: Event Arguments Extraction via Dilate Gated Convolutional Neural Network
with Enhanced Local Features
- arxiv url: http://arxiv.org/abs/2006.01854v1
- Date: Tue, 2 Jun 2020 18:05:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 23:28:24.619855
- Title: Event Arguments Extraction via Dilate Gated Convolutional Neural Network
with Enhanced Local Features
- Title（参考訳）: 局所的特徴を拡張した拡張ゲート畳み込みニューラルネットワークによるイベント引数抽出
- Authors: Zhigang Kan, Linbo Qiao, Sen Yang, Feng Liu, Feng Huang
- Abstract要約: イベント抽出は、世界を理解するために情報抽出において重要な役割を果たす。
本研究では,多層ゲート型畳み込みニューラルネットワーク(EE-DGCNN)に基づくイベント抽出手法を提案する。
実験では、実世界のデータセット上での最先端のイベント抽出アプローチを超えて、大幅なパフォーマンス向上が示された。
- 参考スコア（独自算出の注目度）: 13.862428694544635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event Extraction plays an important role in information-extraction to
understand the world. Event extraction could be split into two subtasks: one is
event trigger extraction, the other is event arguments extraction. However, the
F-Score of event arguments extraction is much lower than that of event trigger
extraction, i.e. in the most recent work, event trigger extraction achieves
80.7%, while event arguments extraction achieves only 58%. In pipelined
structures, the difficulty of event arguments extraction lies in its lack of
classification feature, and the much higher computation consumption. In this
work, we proposed a novel Event Extraction approach based on multi-layer Dilate
Gated Convolutional Neural Network (EE-DGCNN) which has fewer parameters. In
addition, enhanced local information is incorporated into word features, to
assign event arguments roles for triggers predicted by the first subtask. The
numerical experiments demonstrated significant performance improvement beyond
state-of-art event extraction approaches on real-world datasets. Further
analysis of extraction procedure is presented, as well as experiments are
conducted to analyze impact factors related to the performance improvement.
- Abstract（参考訳）: イベント抽出は、世界を理解するための情報抽出において重要な役割を果たす。
イベント抽出は2つのサブタスクに分けられる: 1つはイベントトリガー抽出、もう1つはイベント引数抽出である。
しかし、イベント引数抽出のFスコアは、イベントトリガー抽出のスコアよりもはるかに低く、例えば最近の研究では、イベントトリガー抽出は80.7%、イベント引数抽出は58%である。
パイプライン構造では、イベント引数抽出の難しさは、分類特徴の欠如と計算消費の増大にある。
本研究では,より少ないパラメータを持つ多層ゲート型畳み込みニューラルネットワーク(EE-DGCNN)に基づくイベント抽出手法を提案する。
さらに、拡張されたローカル情報はword機能に組み込まれ、最初のサブタスクで予測されるトリガに対してイベント引数ロールを割り当てる。
数値実験により、実世界のデータセットにおける最先端のイベント抽出アプローチ以上の性能改善が示された。
さらに, 抽出手順の解析を行い, 性能改善に関連する影響要因を解析するための実験を行った。
関連論文リスト
- Are Triggers Needed for Document-Level Event Extraction? [16.944314894087075]
我々は,文書レベルのイベント抽出において,より困難で研究の少ない作業に対するトリガーの役割を初めて調査する。
3つの文書レベルのイベント抽出データセットに対して、複数のエンドツーエンドおよびパイプライン化されたニューラルイベント抽出モデルでそれらの有用性を分析する。
我々の研究では、トリガーの有効性は、抽出タスクの特徴とデータ品質によって異なり、基本的で自動生成トリガーは、人間のアノテーションに代えて実行可能な代替品として機能することを示している。
論文 参考訳（メタデータ） (2024-11-13T15:50:38Z) - MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。
EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
論文 参考訳（メタデータ） (2023-11-15T16:52:14Z) - Nested Event Extraction upon Pivot Element Recogniton [66.1868895967315]
ネストイベントは、インナーネストイベントの引き金として、同時に外部ネストイベントの引数として機能するPivot Elements(PE)の一種を含む。
本稿では,PEの認識に基づくネストイベントを抽出するPerNeeという新しいモデルを提案する。
このモデルは、プロンプトラーニングを使用して、イベントタイプと引数ロールの両方からの情報を組み込んで、より優れたトリガーと引数表現を提供する。
論文 参考訳（メタデータ） (2023-09-22T15:58:06Z) - Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。
最近のデータ拡張手法は文法的誤りの問題を無視することが多い。
本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-16T16:52:07Z) - EventGraph: Event Extraction as Semantic Graph Parsing [5.21480688623047]
イベント抽出には、イベントトリガとそれに対応するイベント引数の両方の検出と抽出が含まれる。
イベントをグラフとしてエンコードするイベント抽出のための共同フレームワークであるEventGraphを提案する。
私たちのコードとモデルはオープンソースとしてリリースされています。
論文 参考訳（メタデータ） (2022-10-16T22:11:46Z) - Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。
我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
論文 参考訳（メタデータ） (2021-09-13T20:50:37Z) - 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) - Document-Level Event Argument Extraction by Conditional Generation [75.73327502536938]
イベント抽出は、長い間IEコミュニティで文レベルのタスクとして扱われてきた。
タスクを条件生成型イベントテンプレートとして定式化することで,ドキュメントレベルのニューラルイベント引数抽出モデルを提案する。
また、新しいドキュメントレベルのイベント抽出ベンチマークデータセットWikiEventsもコンパイルします。
論文 参考訳（メタデータ） (2021-04-13T03:36:38Z) - Back to Prior Knowledge: Joint Event Causality Extraction via
Convolutional Semantic Infusion [5.566928318239452]
複合イベントと因果関係抽出は,情報検索とデータマイニングにおいて極めて重要な課題である。
共同抽出フレームワーク内で長さの異なる n-gram の頻繁な窓に対する畳み込み知識注入を提案する。
我々のモデルは強力なBERT+CSNNベースラインをはるかに上回る。
論文 参考訳（メタデータ） (2021-02-19T13:31:46Z) - Document-level Event Extraction with Efficient End-to-end Learning of
Cross-event Dependencies [37.96254956540803]
本稿では,構造化予測アルゴリズムであるDeep Value Networks (DVN) を利用したエンドツーエンドモデルを提案する。
提案手法はACE05上でのCRFモデルに匹敵する性能を達成し,計算効率は極めて高い。
論文 参考訳（メタデータ） (2020-10-24T05:28:16Z) - Event Extraction by Answering (Almost) Natural Questions [40.13163091122463]
質問応答(QA)タスクとして定式化することで,イベント抽出のための新しいパラダイムを導入する。
実験結果から,我々のフレームワークは先行手法を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-04-28T16:15:46Z)
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。