論文の概要: Complex Relation Extraction: Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2012.04821v1
• Date: Wed, 9 Dec 2020 02:05:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 02:06:15.168726
• Title: Complex Relation Extraction: Challenges and Opportunities
• Title（参考訳）: 複雑な関係抽出:挑戦と機会
• Authors: Haiyun Jiang, Qiaoben Bao, Qiao Cheng, Deqing Yang, Li Wang and Yanghua Xiao
• Abstract要約: 関係抽出は、テキスト中のエンティティのターゲット関係を識別することを目的としている。 監視された、半監督された、遠隔監督されたものを含む従来のバイナリ関係の抽出は、広く研究されている。 近年,複雑な応用を実現するために,複雑な関係抽出タスクが数多く提案されている。
• 参考スコア（独自算出の注目度）: 20.88725215959468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation extraction aims to identify the target relations of entities in texts. Relation extraction is very important for knowledge base construction and text understanding. Traditional binary relation extraction, including supervised, semi-supervised and distant supervised ones, has been extensively studied and significant results are achieved. In recent years, many complex relation extraction tasks, i.e., the variants of simple binary relation extraction, are proposed to meet the complex applications in practice. However, there is no literature to fully investigate and summarize these complex relation extraction works so far. In this paper, we first report the recent progress in traditional simple binary relation extraction. Then we summarize the existing complex relation extraction tasks and present the definition, recent progress, challenges and opportunities for each task.
• Abstract（参考訳）: 関係抽出は、テキスト中のエンティティのターゲット関係を識別することを目的としている。 関係抽出は知識ベース構築とテキスト理解において非常に重要である。 従来の二項関係抽出は、教師付き、半教師付き、遠隔教師付きを含む広範囲に研究され、重要な結果が得られた。 近年,多くの複雑な関係抽出タスク,すなわち単純二項関係抽出の変種が,現実の複雑な応用を満たすために提案されている。 しかし、これらの複雑な関係抽出作業を完全に研究・要約する文献は存在しない。 本稿では,従来の単純な二項関係抽出の最近の進歩を最初に報告する。 次に,既存の複雑な関係抽出タスクを要約し,各タスクの定義,最近の進歩,課題,機会について述べる。

関連論文リスト

• Maximizing Relation Extraction Potential: A Data-Centric Study to Unveil Challenges and Opportunities [3.8087810875611896]
  本稿では,ニューラルリレーション抽出を阻害するデータ中心特性について検討する。 それは、文脈の曖昧さ、関係関係の関連、長い尾のデータ、きめ細かい関係の分布など、重要な問題を強調している。 これらの問題を緩和するための将来の方向性を示すマーカーをセットし、初心者や先進的な研究者にとって重要なリソースであることを証明している。
  論文  参考訳（メタデータ） (2024-09-07T23:40:47Z)
• PromptRE: Weakly-Supervised Document-Level Relation Extraction via Prompting-Based Data Programming [30.597623178206874]
  本稿では,文書レベルの関係抽出手法であるPromptREを提案する。 PromptREは、ラベルの配布とエンティティタイプを事前知識として組み込んでパフォーマンスを向上させる。 文書レベルの関係抽出のためのベンチマークデータセットであるReDocREDの実験結果は、ベースラインアプローチよりもPromptREの方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T17:23:17Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• Parsing Objects at a Finer Granularity: A Survey [54.72819146263311]
  微細な視覚解析は、農業、リモートセンシング、宇宙技術など、多くの現実世界の応用において重要である。 卓越した研究努力は、異なるパラダイムに従って、これらのきめ細かいサブタスクに取り組む。 我々は,パート関係を学習する新たな視点から,先進的な研究を深く研究する。
  論文  参考訳（メタデータ） (2022-12-28T04:20:10Z)
• ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
  学術論文からN-ary関係を抽出する問題について考察する。 提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-10-26T02:28:02Z)
• Multi-Attribute Relation Extraction (MARE) -- Simplifying the Application of Relation Extraction [3.1255943277671894]
  自然言語理解の関係抽出は、革新的で奨励的なビジネス概念を可能にする。 現在のアプローチでは、属性として固定数のエンティティと関係を抽出することができる。 2つのアプローチによる仮定レス問題定式化としてマルチ属性関係抽出(MARE)を導入する。
  論文  参考訳（メタデータ） (2021-11-17T11:06:39Z)
• D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
  この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。 本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。 約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
  論文  参考訳（メタデータ） (2021-09-10T22:30:48Z)
• 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)
• Deep Neural Approaches to Relation Triplets Extraction: A Comprehensive Survey [22.586079965178975]
  我々は、公開データセット上のディープニューラルネットワークを用いた関係抽出に焦点を当てる。 文レベルの関係抽出,文書レベルの関係抽出,パイプラインによる共同抽出アプローチ,注釈付きデータセット,遠隔教師付きデータセットなどについて述べる。 本稿では,ニューラルネットワークについて,畳み込みモデル,リカレントネットワークモデル,アテンションネットワークモデル,グラフ畳み込みモデルについて報告する。
  論文  参考訳（メタデータ） (2021-03-31T09:27:15Z)
• 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)
• Leveraging Semantic Parsing for Relation Linking over Knowledge Bases [80.99588366232075]
  本稿では,AMRを用いた意味解析と遠隔監視を利用した関係リンクフレームワークであるSlingを提案する。 Slingは複数の関係リンクアプローチを統合し、言語的手がかり、豊かな意味表現、知識ベースからの情報などの補完的な信号をキャプチャする。 QALD-7, QALD-9, LC-QuAD 1.0という3つのKBQAデータセットを用いた関係リンク実験により, 提案手法が全てのベンチマークで最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:56:11Z)

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。