論文の概要: Double Graph Based Reasoning for Document-level Relation Extraction

• arxiv url: http://arxiv.org/abs/2009.13752v1
• Date: Tue, 29 Sep 2020 03:41:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 04:59:55.480420
• Title: Double Graph Based Reasoning for Document-level Relation Extraction
• Title（参考訳）: 文書レベル関係抽出のための二重グラフに基づく推論
• Authors: Shuang Zeng, Runxin Xu, Baobao Chang and Lei Li
• Abstract要約: 文書レベルの関係抽出は、文書内のエンティティ間の関係を抽出することを目的としている。 二重グラフを特徴とするグラフ集約と推論ネットワーク(GAIN)を提案する。 公開データセットの実験であるDocREDは、GAINが以前の最先端技術よりも大幅なパフォーマンス改善(2.85 on F1)を達成したことを示している。
• 参考スコア（独自算出の注目度）: 29.19714611415326
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Document-level relation extraction aims to extract relations among entities within a document. Different from sentence-level relation extraction, it requires reasoning over multiple sentences across a document. In this paper, we propose Graph Aggregation-and-Inference Network (GAIN) featuring double graphs. GAIN first constructs a heterogeneous mention-level graph (hMG) to model complex interaction among different mentions across the document. It also constructs an entity-level graph (EG), based on which we propose a novel path reasoning mechanism to infer relations between entities. Experiments on the public dataset, DocRED, show GAIN achieves a significant performance improvement (2.85 on F1) over the previous state-of-the-art. Our code is available at https://github.com/DreamInvoker/GAIN .
• Abstract（参考訳）: 文書レベルの関係抽出は、文書内のエンティティ間の関係を抽出することを目的としている。 文レベルの関係抽出とは異なり、文書をまたいだ複数の文を推論する必要がある。 本稿では,二重グラフを用いたグラフ集約と推論ネットワーク(GAIN)を提案する。 GAINはまずヘテロジニアスな参照レベルグラフ(hMG)を構築し、文書間で異なる参照間の複雑な相互作用をモデル化する。 また、エンティティ間の関係を推論する新しい経路推論メカニズムを提案するエンティティレベルグラフ(eg)も構築する。 公開データセットの実験であるDocREDは、GAINが以前の最先端技術よりも大幅なパフォーマンス改善(2.85 on F1)を達成したことを示している。 私たちのコードはhttps://github.com/DreamInvoker/GAINで利用可能です。

関連論文リスト

• A Semantic Mention Graph Augmented Model for Document-Level Event Argument Extraction [12.286432133599355]
  Document-level Event Argument extract (DEAE)は、構造化されていないドキュメントから引数とその特定の役割を特定することを目的としている。 DEAEの先進的なアプローチは、事前訓練された言語モデル(PLM)を誘導するプロンプトベースの手法を用いて、入力文書から引数を抽出する。 本稿では,この2つの問題に対処するために,グラフ拡張モデル (GAM) のセマンティック言及を提案する。
  論文  参考訳（メタデータ） (2024-03-12T08:58:07Z)
• Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks [58.43972540643903]
  PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。 エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。 EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-10-26T08:36:39Z)
• HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
  本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。 重要な洞察は、単語ペア間の複雑な関連を活用することである。 実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
  論文  参考訳（メタデータ） (2023-05-07T14:57:42Z)
• Document-level Relation Extraction with Cross-sentence Reasoning Graph [14.106582119686635]
  関係抽出(RE)は、最近、文レベルから文書レベルに移行した。 GRaph情報集約・クロスセンス推論ネットワーク(GRACR)を用いた新しい文書レベルのREモデルを提案する。 実験結果から,GRACRは文書レベルのREの2つの公開データセットにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-03-07T14:14:12Z)
• Document-Level Relation Extraction with Sentences Importance Estimation and Focusing [52.069206266557266]
  文書レベルの関係抽出(DocRE)は、複数の文の文書から2つのエンティティ間の関係を決定することを目的としている。 我々はDocREのための文重要度スコアと文集中損失を設計するSIEF(Sentence Estimation and Focusing)フレームワークを提案する。 2つのドメインの実験結果から、SIEFは全体的なパフォーマンスを改善するだけでなく、DocREモデルをより堅牢にします。
  論文  参考訳（メタデータ） (2022-04-27T03:20:07Z)
• A Hierarchical Entity Graph Convolutional Network for Relation Extraction across Documents [29.183245395412705]
  本稿では,関係の2つの実体が2つの異なる文書に現れる文書間関係抽出法を提案する。 このアイデアに従い、各チェーンが正確に2つのドキュメントを含む2つのホップ関係抽出のためのデータセットを作成する。 提案するデータセットは,公開されている文レベルのデータセットよりも高い関係性を示す。
  論文  参考訳（メタデータ） (2021-08-21T12:33:50Z)
• BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
  BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。 文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。 実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-05-25T16:20:48Z)
• Mention-centered Graph Neural Network for Document-level Relation Extraction [2.724649366608364]
  我々は, 相互関係関係を推定することで, 相互関係を構築する。 実験は、異なる言及間の接続が文書レベルの関係抽出に重要であることを示している。
  論文  参考訳（メタデータ） (2021-03-15T08:19:44Z)
• Coarse-to-Fine Entity Representations for Document-level Relation Extraction [28.39444850200523]
  文書レベルの関係抽出(RE: Document-level Relation extract)は、文内および文間で表現される関係を抽出する必要がある。 最近の研究は、通常文書レベルの相互作用をキャプチャする文書レベルのグラフを構築するグラフベースの手法が有用なエンティティ表現を得ることができることを示している。 粗大な戦略を採用する textbfCoarse-to-textbfFine textbfEntity textbfRepresentation model (textbfCFER) を提案する。
  論文  参考訳（メタデータ） (2020-12-04T10:18:59Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)

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。