論文の概要: TPLinker: Single-stage Joint Extraction of Entities and Relations Through Token Pair Linking

• arxiv url: http://arxiv.org/abs/2010.13415v1
• Date: Mon, 26 Oct 2020 08:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 18:57:16.006602
• Title: TPLinker: Single-stage Joint Extraction of Entities and Relations Through Token Pair Linking
• Title（参考訳）: TPLinker:トークンペアリンクによるエンティティとリレーションの単一段階共同抽出
• Authors: Yucheng Wang, Bowen Yu, Yueyang Zhang, Tingwen Liu, Hongsong Zhu and Limin Sun
• Abstract要約: 本稿では,1つまたは2つのエンティティを共有する重なり合う関係を発見することができる1段階共同抽出モデルTPLinkerを提案する。 実験の結果,TPLinkerは重なり合いと多重関係抽出に優れており,2つの公開データセット上での最先端のパフォーマンスを実現していることがわかった。
• 参考スコア（独自算出の注目度）: 20.526728682326358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting entities and relations from unstructured text has attracted increasing attention in recent years but remains challenging, due to the intrinsic difficulty in identifying overlapping relations with shared entities. Prior works show that joint learning can result in a noticeable performance gain. However, they usually involve sequential interrelated steps and suffer from the problem of exposure bias. At training time, they predict with the ground truth conditions while at inference it has to make extraction from scratch. This discrepancy leads to error accumulation. To mitigate the issue, we propose in this paper a one-stage joint extraction model, namely, TPLinker, which is capable of discovering overlapping relations sharing one or both entities while immune from the exposure bias. TPLinker formulates joint extraction as a token pair linking problem and introduces a novel handshaking tagging scheme that aligns the boundary tokens of entity pairs under each relation type. Experiment results show that TPLinker performs significantly better on overlapping and multiple relation extraction, and achieves state-of-the-art performance on two public datasets.
• Abstract（参考訳）: 非構造化テキストからのエンティティとリレーションの抽出は近年注目されているが,共有エンティティとの重複関係の特定が本質的に困難であるため,依然として課題となっている。 先行研究は、共同学習が顕著なパフォーマンス向上をもたらすことを示している。 しかし、通常は連続的な相互関係のステップを伴い、露光バイアスの問題に悩まされる。 訓練時には、推測時にゼロから抽出する必要がある間、基礎的な真理条件で予測する。 この矛盾はエラーの蓄積につながる。 そこで本稿では,1つまたは2つの実体を共有する重なり関係を,露出バイアスから免れることなく発見できる一段階のジョイント抽出モデル,tplinkerを提案する。 TPLinkerはトークンペアリンク問題としてジョイント抽出を定式化し,各関係型に基づいてエンティティペアの境界トークンを整列する新しいハンドシェイキングタギング方式を提案する。 実験の結果,TPLinkerは重なり合いと多重関係抽出に優れ,2つの公開データセット上で最先端のパフォーマンスを実現することがわかった。

関連論文リスト

• Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
  関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。 既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。 本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
  論文  参考訳（メタデータ） (2023-12-18T09:58:19Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Open Set Relation Extraction via Unknown-Aware Training [72.10462476890784]
  負のインスタンスを動的に合成することでモデルを正規化する未知の学習手法を提案する。 テキストの敵対的攻撃に触発されて、我々は適応的に、小さいが重要な摂動を元のトレーニングインスタンスに適用する。 実験結果から, 既知の関係の分類を損なうことなく, 未知の関係検出を行うことができた。
  論文  参考訳（メタデータ） (2023-06-08T05:45:25Z)
• Document-level Relation Extraction with Relation Correlations [15.997345900917058]
  文書レベルの関係抽出は,長期問題と複数ラベル問題という,見落とされた2つの課題に直面している。 関係の共起相関を解析し,DocREタスクに初めて導入する。
  論文  参考訳（メタデータ） (2022-12-20T11:17:52Z)
• Extracting all Aspect-polarity Pairs Jointly in a Text with Relation Extraction Approach [6.844982778392037]
  本稿では,関係抽出技術を用いたテキストから直接アスペクト極性ペアを生成することを提案する。 アスペクト極性対の結合抽出のための位置認識とアスペクト認識のシーケンス2系列モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:00:39Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• Bridging Text and Knowledge with Multi-Prototype Embedding for Few-Shot Relational Triple Extraction [40.00702385889112]
  本稿では,関係三重項の合成を共同で抽出する,新しいマルチプロトタイプ埋め込みネットワークモデルを提案する。 我々は、エンティティとリレーションの両方に関するテキストと知識を橋渡しするハイブリッド学習機構を設計する。 実験により, 提案手法は, 数発トリプル抽出の性能を向上させることができることを示した。
  論文  参考訳（メタデータ） (2020-10-30T04:18:39Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
  本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。 具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。 我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
  論文  参考訳（メタデータ） (2020-10-13T22:45:28Z)
• Cross-Supervised Joint-Event-Extraction with Heterogeneous Information Networks [61.950353376870154]
  Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。 トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。 我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-10-13T11:51:17Z)

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。