論文の概要: Bridging Text and Knowledge with Multi-Prototype Embedding for Few-Shot Relational Triple Extraction

• arxiv url: http://arxiv.org/abs/2010.16059v1
• Date: Fri, 30 Oct 2020 04:18:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 16:44:07.549474
• Title: Bridging Text and Knowledge with Multi-Prototype Embedding for Few-Shot Relational Triple Extraction
• Title（参考訳）: 複数プロトタイプ埋め込みによるリレーショナルトリプル抽出のためのブリッジテキストと知識
• Authors: Haiyang Yu, Ningyu Zhang, Shumin Deng, Hongbin Ye, Wei Zhang, Huajun Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 40.00702385889112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current supervised relational triple extraction approaches require huge amounts of labeled data and thus suffer from poor performance in few-shot settings. However, people can grasp new knowledge by learning a few instances. To this end, we take the first step to study the few-shot relational triple extraction, which has not been well understood. Unlike previous single-task few-shot problems, relational triple extraction is more challenging as the entities and relations have implicit correlations. In this paper, We propose a novel multi-prototype embedding network model to jointly extract the composition of relational triples, namely, entity pairs and corresponding relations. To be specific, we design a hybrid prototypical learning mechanism that bridges text and knowledge concerning both entities and relations. Thus, implicit correlations between entities and relations are injected. Additionally, we propose a prototype-aware regularization to learn more representative prototypes. Experimental results demonstrate that the proposed method can improve the performance of the few-shot triple extraction.
• Abstract（参考訳）: 現在の教師付きリレーショナルトリプル抽出アプローチでは,大量のラベル付きデータが必要となるため,少数の設定ではパフォーマンスが低下する。 しかし、人々はいくつかの例を学ぶことで新しい知識を把握できる。 この目的のために,我々は,まだよく分かっていない3重項抽出法について,まず第一歩を踏み出す。 従来のシングルタスク数ショット問題とは異なり、実体と関係が暗黙の相関を持つため、リレーショナルトリプル抽出はより困難である。 本稿では,関係三重項,すなわちエンティティペアと対応する関係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。 具体的には,テキストと関係性の両方に関する知識をブリッジするハイブリッドなプロトタイプ学習機構を設計する。 したがって、実体と関係の間の暗黙の相関が注入される。 さらに,より代表的なプロトタイプを学習するためのプロトタイプ認識正規化を提案する。 実験の結果, 提案手法は, 数発トリプル抽出の性能を向上できることがわかった。

関連論文リスト

• Multimodal Relational Triple Extraction with Query-based Entity Object Transformer [20.97497765985682]
  マルチモーダル関係抽出は、柔軟で現実的な知識の構築に不可欠である。 画像・テキスト・ペアから全三重項(エンタリティ,関係,オブジェクト領域)を抽出することを目的としたマルチモーダル・エンティティ・オブジェクト・トリプル抽出を提案する。 また,テキスト情報と視覚情報の相互作用と融合を動的に探索するクエリベースモデルQEOTを提案する。
  論文  参考訳（メタデータ） (2024-08-16T12:43:38Z)
• Query-based Instance Discrimination Network for Relational Triple Extraction [39.35417927570248]
  統合エンティティと関係抽出は、情報抽出の分野における中核的なタスクである。 最近のアプローチでは、通常は立体的な視点から関係三重項の抽出を考える。 本稿では,リレーショナルトリプルに対するインスタンスレベルの表現を構築するための,新しいクエリベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-03T13:34:56Z)
• RelationPrompt: Leveraging Prompts to Generate Synthetic Data for Zero-Shot Relation Triplet Extraction [65.4337085607711]
  ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。 入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。 本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
  論文  参考訳（メタデータ） (2022-03-17T05:55:14Z)
• OneRel:Joint Entity and Relation Extraction with One Module in One Step [42.576188878294886]
  統合エンティティと関係抽出は自然言語処理と知識グラフ構築において不可欠な課題である。 そこで我々は, 結合抽出を細粒度三重分類問題として用いた, OneRel という新しい結合実体と関係抽出モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-10T15:09:59Z)
• 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)
• PRGC: Potential Relation and Global Correspondence Based Joint Relational Triple Extraction [23.998135821388203]
  我々は、ポテンシャル関係と大域対応(PRGC)に基づく連立三重抽出フレームワークを提案する。 PRGCは、より効率のよい公開ベンチマークで最先端のパフォーマンスを実現し、重複するトリプルの複雑なシナリオで一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2021-06-18T03:38:07Z)
• 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)
• 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)
• Contrastive Triple Extraction with Generative Transformer [72.21467482853232]
  生成変換器を用いた新しい3重抽出モデルを提案する。 具体的には,エンコーダデコーダをベースとした1つの共有トランスフォーマモジュールを提案する。 忠実な結果を得るために,新しい三重項コントラストトレーニングオブジェクトを提案する。
  論文  参考訳（メタデータ） (2020-09-14T05:29:24Z)

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。