論文の概要: GDPNet: Refining Latent Multi-View Graph for Relation Extraction
- arxiv url: http://arxiv.org/abs/2012.06780v1
- Date: Sat, 12 Dec 2020 10:43:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 05:19:54.060062
- Title: GDPNet: Refining Latent Multi-View Graph for Relation Extraction
- Title（参考訳）: GDPNet:関係抽出のための遅延マルチビューグラフの精細化
- Authors: Fuzhao Xue, Aixin Sun, Hao Zhang, Eng Siong Chng
- Abstract要約: 関係抽出(Relation extract、RE)とは、テキスト中の2つのエンティティ(例えば文や対話など)の関係型を予測することである。
REタスクの最近の進歩は、BERTベースのシーケンスモデリングと、シーケンス内のトークン間の関係のグラフベースのモデリングである。
GDPNetは、対話レベルのREで最高のパフォーマンスを達成し、文レベルのREで最先端のパフォーマンスと匹敵します。
- 参考スコア（独自算出の注目度）: 44.2379205657313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Relation Extraction (RE) is to predict the relation type of two entities that
are mentioned in a piece of text, e.g., a sentence or a dialogue. When the
given text is long, it is challenging to identify indicative words for the
relation prediction. Recent advances on RE task are from BERT-based sequence
modeling and graph-based modeling of relationships among the tokens in the
sequence. In this paper, we propose to construct a latent multi-view graph to
capture various possible relationships among tokens. We then refine this graph
to select important words for relation prediction. Finally, the representation
of the refined graph and the BERT-based sequence representation are
concatenated for relation extraction. Specifically, in our proposed GDPNet
(Gaussian Dynamic Time Warping Pooling Net), we utilize Gaussian Graph
Generator (GGG) to generate edges of the multi-view graph. The graph is then
refined by Dynamic Time Warping Pooling (DTWPool). On DialogRE and TACRED, we
show that GDPNet achieves the best performance on dialogue-level RE, and
comparable performance with the state-of-the-arts on sentence-level RE.
- Abstract（参考訳）: 関係抽出(Relation extract、RE)とは、文や対話などのテキストで言及される2つのエンティティの関係型を予測することである。
与えられたテキストが長ければ、関係予測のための指示語を特定することは困難である。
REタスクの最近の進歩は、BERTベースのシーケンスモデリングと、シーケンス内のトークン間の関係のグラフベースのモデリングである。
本稿では,トークン間の様々な関係を捉えるために,潜在多視点グラフを構築することを提案する。
次に,このグラフを改良して,関係予測のための重要な単語を選択する。
最後に、精製グラフの表現とBERTに基づくシーケンス表現を連結して関係抽出を行う。
具体的には,提案するgdpnet (gaussian dynamic time warping pooling net) において,gaussian graph generator (ggg) を用いて多視点グラフのエッジを生成する。
グラフは、Dynamic Time Warping Pooling (DTWPool)によって洗練される。
DialogRE と TACRED では,GDPNet が文レベル RE で最高のパフォーマンスを達成し,文レベル RE で最先端の処理性能を達成していることを示す。
関連論文リスト
- Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - From the One, Judge of the Whole: Typed Entailment Graph Construction
with Predicate Generation [69.91691115264132]
Entailment Graphs (EG) は、自然言語における文脈に依存しないentailment関係を示すために構築される。
本稿では,この問題に対処する多段階型述語グラフ生成器(TP-EGG)を提案する。
ベンチマークデータセットの実験では、TP-EGGは高品質でスケール制御可能なエンターメントグラフを生成することができる。
論文 参考訳（メタデータ） (2023-06-07T05:46:19Z) - Multi-Task Edge Prediction in Temporally-Dynamic Video Graphs [16.121140184388786]
MTD-GNNは,複数種類の関係に対して時間動的エッジを予測するグラフネットワークである。
時間-動的グラフネットワークにおける複数の関係をモデル化することは相互に有益であることを示す。
論文 参考訳（メタデータ） (2022-12-06T10:41:00Z) - Scene Graph Modification as Incremental Structure Expanding [61.84291817776118]
本研究では,既存のシーングラフを自然言語クエリに基づいて更新する方法を学習するために,シーングラフ修正(SGM)に注目した。
インクリメンタル構造拡張(ISE)の導入によるグラフ拡張タスクとしてのSGM
既存のデータセットよりも複雑なクエリと大きなシーングラフを含む、挑戦的なデータセットを構築します。
論文 参考訳（メタデータ） (2022-09-15T16:26:14Z) - GEMS: Scene Expansion using Generative Models of Graphs [3.5998698847215165]
本稿では,その表現,シーングラフに着目し,新たなシーン拡張タスクを提案する。
まず、まず新しいノードを予測し、次にグラフ内の新しく予測されたノードと以前のノードの関係を予測します。
我々は、拡張されたシーングラフを評価するために、Visual GenomeとVRDデータセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2022-07-08T07:41:28Z) - BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。
文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。
実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
論文 参考訳（メタデータ） (2021-05-25T16:20:48Z) - Double Graph Based Reasoning for Document-level Relation Extraction [29.19714611415326]
文書レベルの関係抽出は、文書内の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。
二重グラフを特徴とするグラフ集約と推論ネットワーク(GAIN)を提案する。
公開データセットの実験であるDocREDは、GAINが以前の最先端技術よりも大幅なパフォーマンス改善(2.85 on F1)を達成したことを示している。
論文 参考訳（メタデータ） (2020-09-29T03:41:01Z) - Contextualised Graph Attention for Improved Relation Extraction [18.435408046826048]
グラフベースのネットワークにおいて,複数のサブグラフを用いてリッチノード表現を学習する手法が提案されている。
GATモデルとGCNモデルとを効果的に組み合わせて関係抽出に適用する2種類のエッジ特徴を提案する。
提案したモデルは、Semeval 2010 Task 8データセット上で最先端のパフォーマンスを達成し、F1スコア86.3を達成する。
論文 参考訳（メタデータ） (2020-04-22T15:04:52Z) - Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。
グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
論文 参考訳（メタデータ） (2020-04-05T13:09:37Z)
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。