論文の概要: Knowledge-guided Open Attribute Value Extraction with Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2010.09189v1
- Date: Mon, 19 Oct 2020 03:28:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 22:25:26.605553
- Title: Knowledge-guided Open Attribute Value Extraction with Reinforcement
Learning
- Title(参考訳): 強化学習による知識誘導オープン属性値抽出
- Authors: Ye Liu, Sheng Zhang, Rui Song, Suo Feng, Yanghua Xiao
- Abstract要約: オープン属性値抽出のための知識誘導強化学習(RL)フレームワークを提案する。
我々は,抽出した回答を逐次比較し,抽出精度を向上させるために,深層Qネットワークを訓練した。
その結果,本手法はベースラインを16.5~27.8%上回ることがわかった。
- 参考スコア(独自算出の注目度): 23.125544502927482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open attribute value extraction for emerging entities is an important but
challenging task. A lot of previous works formulate the problem as a
\textit{question-answering} (QA) task. While the collections of articles from
web corpus provide updated information about the emerging entities, the
retrieved texts can be noisy, irrelevant, thus leading to inaccurate answers.
Effectively filtering out noisy articles as well as bad answers is the key to
improving extraction accuracy. Knowledge graph (KG), which contains rich, well
organized information about entities, provides a good resource to address the
challenge. In this work, we propose a knowledge-guided reinforcement learning
(RL) framework for open attribute value extraction. Informed by relevant
knowledge in KG, we trained a deep Q-network to sequentially compare extracted
answers to improve extraction accuracy. The proposed framework is applicable to
different information extraction system. Our experimental results show that our
method outperforms the baselines by 16.5 - 27.8\%.
- Abstract(参考訳): 新興エンティティに対するオープン属性値抽出は重要な課題だが難しい課題である。
以前の多くの研究は、問題をtextit{question-Awering} (QA) タスクとして定式化している。
ウェブコーパスからの記事の収集は、新しいエンティティに関する更新情報を提供するが、検索されたテキストはノイズがあり、無関係であり、不正確な回答をもたらす。
ノイズの多い記事や悪い回答を効果的にフィルタリングすることは、抽出精度を向上させる鍵となる。
知識グラフ(KG)は、エンティティについて豊富に整理された情報を含み、その課題に対処するための優れたリソースを提供する。
本研究では,オープン属性値抽出のための知識誘導型強化学習(RL)フレームワークを提案する。
kgにおける関連する知識から,抽出された回答を逐次比較して抽出精度を向上させるために,深いqネットワークを訓練した。
提案手法は異なる情報抽出システムに適用可能である。
実験の結果,本手法はベースラインを16.5~27.8\%上回った。
関連論文リスト
- Learning to Filter Context for Retrieval-Augmented Generation [75.18946584853316]
生成モデルは、部分的にまたは完全に無関係な経路が与えられた出力を生成するために要求される。
FILCOは、語彙と情報理論のアプローチに基づいて有用なコンテキストを特定する。
テスト時に検索したコンテキストをフィルタリングできるコンテキストフィルタリングモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-14T18:41:54Z) - Revisiting Sparse Retrieval for Few-shot Entity Linking [33.15662306409253]
本稿では,ELECTRAに基づくキーワード抽出手法を提案する。
抽出器のトレーニングには,参照コンテキストとエンティティ記述との間に重複するトークンをベースとしたトレーニングデータを自動的に生成する遠隔監視手法を提案する。
ZESHELデータセットによる実験結果から,提案手法はすべてのテスト領域において,最先端モデルよりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-10-19T03:51:10Z) - Task Oriented Conversational Modelling With Subjective Knowledge [0.0]
DSTC-11は、ターン検出、知識選択、応答生成を求める知識からなる3段階パイプラインを提案する。
本稿では,正確で高速な知識検索を実現するエンティティ検索手法を提案する。
予備的な結果から,知識選択作業における一致点の精度は4%向上した。
論文 参考訳(メタデータ) (2023-03-30T20:23:49Z) - Bag of Tricks for Training Data Extraction from Language Models [98.40637430115204]
公開データセットを用いてトレーニングデータ抽出を改善するための手法とベンチマーク手法について検討する。
実験結果から,これまで見過ごされていたいくつかのトリックが,トレーニングデータ抽出の成功に不可欠であることが示唆された。
論文 参考訳(メタデータ) (2023-02-09T06:46:42Z) - Enriching Relation Extraction with OpenIE [70.52564277675056]
関係抽出(RE)は情報抽出(IE)のサブ分野である
本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。
本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
論文 参考訳(メタデータ) (2022-12-19T11:26:23Z) - Knowledge-Enhanced Relation Extraction Dataset [8.612433805862619]
現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。
知識強化関係抽出データセット(KERED)について紹介する。
KEREDは各文にリレーショナルな事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。
論文 参考訳(メタデータ) (2022-10-19T13:23:10Z) - A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。
我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。
提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
論文 参考訳(メタデータ) (2022-06-30T02:35:04Z) - BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from
Pretrained Language Models [65.51390418485207]
本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。
関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。
我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
論文 参考訳(メタデータ) (2022-06-28T19:46:29Z) - Modeling Multi-Granularity Hierarchical Features for Relation Extraction [26.852869800344813]
本稿では,原文のみに基づく多粒度特徴抽出手法を提案する。
外部知識を必要とせずに,効果的な構造的特徴が達成可能であることを示す。
論文 参考訳(メタデータ) (2022-04-09T09:44:05Z) - Enhanced Language Representation with Label Knowledge for Span
Extraction [2.4909170697740963]
ラベル知識を統合するための新しいパラダイムを導入し、ラベル知識をテキスト表現に明示的にかつ効率的に統合する新しいモデルを提案する。
具体的には、テキストとラベルアノテーションを独立してエンコードし、ラベル知識をテキスト表現と精巧に設計されたセマンティックス融合モジュールに統合する。
我々は,フラットNER,ネストNER,イベント検出の3つの典型的なスパン抽出タスクについて広範な実験を行った。
提案手法は4つのベンチマークで最先端性能を実現し,2)QA形式化パラダイムと比較して,トレーニング時間と推論時間を平均で76%,77%削減する。
論文 参考訳(メタデータ) (2021-11-01T12:21:05Z) - BERTese: Learning to Speak to BERT [50.76152500085082]
本論文では,より良い知識抽出に向けて直接最適化されたパラフレーズクエリ"BERTese"に自動書き換える手法を提案する。
私たちのアプローチが競合するベースラインを上回ることを実証的に示し、複雑なパイプラインの必要性を回避します。
論文 参考訳(メタデータ) (2021-03-09T10:17:22Z)
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。