論文の概要: A Frustratingly Easy Approach for Entity and Relation Extraction

• arxiv url: http://arxiv.org/abs/2010.12812v2
• Date: Tue, 23 Mar 2021 17:48:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 13:03:34.648985
• Title: A Frustratingly Easy Approach for Entity and Relation Extraction
• Title（参考訳）: エンティティとリレーション抽出に対するイライラし易いアプローチ
• Authors: Zexuan Zhong and Danqi Chen
• Abstract要約: 本稿では,エンティティと関係抽出のための簡単なパイプライン化手法を提案する。 標準ベンチマーク(ACE04、ACE05、SciERC)における新しい最先端技術を確立する。 このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築します。
• 参考スコア（独自算出の注目度）: 25.797992240847833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end relation extraction aims to identify named entities and extract relations between them. Most recent work models these two subtasks jointly, either by casting them in one structured prediction framework, or performing multi-task learning through shared representations. In this work, we present a simple pipelined approach for entity and relation extraction, and establish the new state-of-the-art on standard benchmarks (ACE04, ACE05 and SciERC), obtaining a 1.7%-2.8% absolute improvement in relation F1 over previous joint models with the same pre-trained encoders. Our approach essentially builds on two independent encoders and merely uses the entity model to construct the input for the relation model. Through a series of careful examinations, we validate the importance of learning distinct contextual representations for entities and relations, fusing entity information early in the relation model, and incorporating global context. Finally, we also present an efficient approximation to our approach which requires only one pass of both entity and relation encoders at inference time, achieving an 8-16$\times$ speedup with a slight reduction in accuracy.
• Abstract（参考訳）: エンドツーエンドの関係抽出は、名前付きエンティティを特定し、それらの関係を抽出することを目的としている。 最近の作業モデルでは、これら2つのサブタスクを1つの構造化予測フレームワークにキャストするか、共有表現を通じてマルチタスク学習を行うことで共同でモデル化している。 本稿では、エンティティと関係抽出のための単純なパイプライン化アプローチを提案し、標準ベンチマーク(ace04、ace05、scierc)における新しい最先端の手法を確立し、同じプリトレーニングエンコーダを持つ以前のジョイントモデルに対して、関係f1を1.7%-2.8%絶対的に改善する。 このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築する。 本研究では,エンティティと関係の異なる文脈表現を学習し,関係モデルの初期からエンティティ情報を活用し,グローバルコンテキストを取り入れることの重要性を検証する。 最後に,提案手法では,エンティティと関係エンコーダの一方のパスのみを推論時に必要とし,精度をわずかに下げて8-16$\times$の高速化を実現している。

関連論文リスト

• 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)
• Towards Better Document-level Relation Extraction via Iterative Inference [29.62043809208398]
  文書レベルの関係抽出(RE)は、入力文書から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。 本稿では,反復推論を用いた新しい文書レベルのREモデルを提案する。 3つの一般的なデータセットの実験結果から、我々のモデルは、他の競争ベースラインよりも一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-26T03:57:34Z)
• A Two-Phase Paradigm for Joint Entity-Relation Extraction [11.92606118894611]
  本研究では,スパンベースジョイントエンティティと関係抽出のための2相パラダイムを提案する。 2相のパラダイムは、第1相のエンティティと関係を分類し、第2相のエンティティと関係のタイプを予測することである。 複数のデータセットによる実験結果から,2相パラダイムで強化されたスパンベース継手抽出モデルと,その大域的特徴が,関節抽出タスクにおける従来の最先端スパンベースモデルより一貫して優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-08-18T06:40:25Z)
• A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction [22.60428265210431]
  Few-Shot Relation extractは、文中の一対の実体の関係を、各関係にいくつかのラベル付き例で訓練することによって予測することを目的としている。 原型ネットワークに基づくモデル学習を支援するための関係情報を導入した最近の研究もある。 関係情報はモデルにより明確かつ効果的に導入できると論じる。
  論文  参考訳（メタデータ） (2022-05-19T13:03:01Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Document-Level Relation Extraction with Reconstruction [28.593318203728963]
  文書レベルの関係抽出(DocRE)のための新しいエンコーダ分類器再構成モデルを提案する。 再構築器は、グラフ表現からの基底経路依存性を再構築し、提案されたDocREモデルがトレーニングにおけるエンティティペアと関係をエンコードすることにもっと注意を払っていることを確認する。 大規模docreデータセットにおける実験結果から,提案モデルにより,グラフベースラインにおける関係抽出精度が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-12-21T14:29:31Z)
• 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)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。