論文の概要: Unsupervised Label-aware Event Trigger and Argument Classification
- arxiv url: http://arxiv.org/abs/2012.15243v1
- Date: Wed, 30 Dec 2020 17:47:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 06:00:59.448712
- Title: Unsupervised Label-aware Event Trigger and Argument Classification
- Title（参考訳）: 教師なしラベル対応イベントトリガーと引数分類
- Authors: Hongming Zhang, Haoyu Wang, Dan Roth
- Abstract要約: まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。
事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。
我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
- 参考スコア（独自算出の注目度）: 73.86358632937372
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Identifying events and mapping them to pre-defined event types has long been
an important natural language processing problem. Most previous work has been
heavily relying on labor-intensive and domain-specific annotations while
ignoring the semantic meaning contained in the labels of the event types. As a
result, the learned models cannot effectively generalize to new domains, where
new event types could be introduced. In this paper, we propose an unsupervised
event extraction pipeline, which first identifies events with available tools
(e.g., SRL) and then automatically maps them to pre-defined event types with
our proposed unsupervised classification model. Rather than relying on
annotated data, our model matches the semantics of identified events with those
of event type labels. Specifically, we leverage pre-trained language models to
contextually represent pre-defined types for both event triggers and arguments.
After we map identified events to the target types via representation
similarity, we use the event ontology (e.g., argument type "Victim" can only
appear as the argument of event type "Attack") as global constraints to
regularize the prediction. The proposed approach is shown to be very effective
when tested on the ACE-2005 dataset, which has 33 trigger and 22 argument
types. Without using any annotation, we successfully map 83% of the triggers
and 54% of the arguments to the correct types, almost doubling the performance
of previous zero-shot approaches.
- Abstract（参考訳）: イベントを識別し、事前に定義されたイベントタイプにマッピングすることは、長い間、自然言語処理の重要な問題でした。
これまでの作業のほとんどは、イベントタイプのラベルに含まれる意味を無視しながら、労働集約的およびドメイン固有のアノテーションに大きく依存していました。
その結果、学習したモデルは、新しいイベントタイプを導入できる新しいドメインに効果的に一般化することはできない。
本稿では,まず利用可能なツール(srlなど)でイベントを識別し,提案する非教師付き分類モデルを用いて,事前定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。
アノテーション付きデータに頼るのではなく、モデルが特定したイベントのセマンティクスとイベントタイプラベルのセマンティクスを一致させるのです。
具体的には、事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現する。
表現類似性によって特定されたイベントを対象の型にマップした後、イベントオントロジー(例えば、引数型 "Victim" はイベント型 "Attack" の引数としてのみ現れる)を、予測を規則化するためのグローバルな制約として使用します。
提案手法は、31のトリガと22の引数型を持つACE-2005データセットでテストした場合、非常に効果的であることが示されている。
アノテーションを使わずに、83%のトリガと54%の引数を正しい型にマッピングすることに成功しました。
関連論文リスト
- Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。
イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
論文 参考訳（メタデータ） (2024-03-05T01:46:50Z) - Global Constraints with Prompting for Zero-Shot Event Argument
Classification [49.84347224233628]
我々は、アノテーションやタスク固有のトレーニングを使わずに、イベント引数の分類に取り組むよう促すことで、グローバルな制約を利用することを提案する。
事前訓練された言語モデルは、新しいパスをスコアし、最初の予測を行う。
私たちの新しいプロンプトテンプレートは、手作業なしで、すべてのイベントや引数タイプに簡単に適応できます。
論文 参考訳（メタデータ） (2023-02-09T06:39:29Z) - Semantic Pivoting Model for Effective Event Detection [19.205550116466604]
Event Detectionは、構造化されていない記事からイベントインスタンスの参照を識別し、分類することを目的としている。
イベント検出の既存のテクニックは、イベントタイプクラスを表現するために、均質な1ホットベクトルのみを使用しており、型の意味がタスクにとって重要であるという事実を無視している。
本稿では,学習中の事前情報を明示的に組み込んで,入力とイベント間の意味的に意味のある相関関係を捉えるセマンティック・ピロリング・モデル(SPEED)を提案する。
論文 参考訳（メタデータ） (2022-11-01T19:20:34Z) - PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。
型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
論文 参考訳（メタデータ） (2022-02-15T18:01:39Z) - Query and Extract: Refining Event Extraction as Type-oriented Binary
Decoding [51.57864297948228]
本稿では,自然言語クエリとしてイベントタイプと引数ロールを取り入れた新しいイベント抽出フレームワークを提案する。
我々のフレームワークは、イベントタイプや引数ロールと入力テキストとのセマンティックな相関をよりよく捉えるための注意機構の恩恵を受ける。
論文 参考訳（メタデータ） (2021-10-14T15:49:40Z) - Corpus-based Open-Domain Event Type Induction [78.76531329136708]
本研究では,コーパスに基づくオープンドメインイベント型誘導手法を提案する。
それぞれのイベントタイプを、述語感覚、オブジェクトヘッダーのペアのクラスタとして表現します。
我々の実験は、異なるドメインから得られた3つのデータセットに基づいて、健全で高品質なイベントタイプを見つけることができることを示す。
論文 参考訳（メタデータ） (2021-09-07T20:42:44Z) - Event Extraction as Natural Language Generation [42.081626647997616]
イベント抽出は通常、分類または構造化予測問題として定式化される。
我々は、イベント内の複雑な依存関係をキャプチャするだけでなく、目に見えないイベントタイプやまれなイベントタイプをうまく一般化するモデルであるGenEEを提案する。
実験結果から, ゼロショット, 少数ショット, 高リソースのシナリオにおいて, イベント抽出タスクにおいて, イベント抽出タスクにおいて高い性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-08-29T00:27:31Z)
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。