Fugu-MT 論文翻訳(概要): A Trigger-Sense Memory Flow Framework for Joint Entity and Relation Extraction

論文の概要: A Trigger-Sense Memory Flow Framework for Joint Entity and Relation Extraction

arxiv url: http://arxiv.org/abs/2101.10213v2
Date: Wed, 17 Feb 2021 14:59:53 GMT
ステータス: 処理完了
システム内更新日: 2021-03-15 03:30:36.966545
Title: A Trigger-Sense Memory Flow Framework for Joint Entity and Relation Extraction
Title（参考訳）: ジョイントエンティティと関係抽出のためのトリガー・センスメモリフローフレームワーク
Authors: Yongliang Shen, Xinyin Ma, Yechun Tang, Weiming Lu
Abstract要約: 結合エンティティと関係抽出のためのTriMF(Trigger-Sense Memory Flow Framework)を提案する。エンティティ認識と関係抽出タスクで学習したカテゴリ表現を記憶するためのメモリモジュールを構築する。また,エンティティ認識と関係抽出の双方向インタラクションを強化するために,多レベルメモリフロー注目機構を設計する。
参考スコア（独自算出の注目度）: 5.059120569845976
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Joint entity and relation extraction framework constructs a unified model to perform entity recognition and relation extraction simultaneously, which can exploit the dependency between the two tasks to mitigate the error propagation problem suffered by the pipeline model. Current efforts on joint entity and relation extraction focus on enhancing the interaction between entity recognition and relation extraction through parameter sharing, joint decoding, or other ad-hoc tricks (e.g., modeled as a semi-Markov decision process, cast as a multi-round reading comprehension task). However, there are still two issues on the table. First, the interaction utilized by most methods is still weak and uni-directional, which is unable to model the mutual dependency between the two tasks. Second, relation triggers are ignored by most methods, which can help explain why humans would extract a relation in the sentence. They're essential for relation extraction but overlooked. To this end, we present a Trigger-Sense Memory Flow Framework (TriMF) for joint entity and relation extraction. We build a memory module to remember category representations learned in entity recognition and relation extraction tasks. And based on it, we design a multi-level memory flow attention mechanism to enhance the bi-directional interaction between entity recognition and relation extraction. Moreover, without any human annotations, our model can enhance relation trigger information in a sentence through a trigger sensor module, which improves the model performance and makes model predictions with better interpretation. Experiment results show that our proposed framework achieves state-of-the-art results by improves the relation F1 to 52.44% (+3.2%) on SciERC, 66.49% (+4.9%) on ACE05, 72.35% (+0.6%) on CoNLL04 and 80.66% (+2.3%) on ADE.
Abstract（参考訳）: 統合エンティティと関係抽出フレームワークは、エンティティ認識と関係抽出を同時に行う統一モデルを構築し、これら2つのタスク間の依存関係を利用してパイプラインモデルが抱えるエラー伝搬問題を緩和する。共同エンティティと関係抽出に関する現在の取り組みは、パラメータ共有、共同復号化、その他のアドホックなトリック(例えば、半マルコフ決定プロセスとしてモデル化され、マルチラウンド読解タスクとしてキャストされる)を通じて、エンティティ認識と関係抽出の相互作用を強化することに焦点を当てている。しかし、テーブル上にはまだ2つの問題があります。第一に、ほとんどのメソッドが利用する相互作用は、まだ弱く一方向であり、2つのタスク間の相互依存性をモデル化できない。第二に、関係トリガーはほとんどの方法によって無視され、人間が文内の関係を抽出する理由を説明するのに役立つ。関係抽出には不可欠ですが見過ごされていますそこで本研究では,結合エンティティと関係抽出のためのトリガー・センスメモリフローフレームワーク(trimf)を提案する。エンティティ認識と関係抽出タスクで学習したカテゴリ表現を記憶するためのメモリモジュールを構築する。そこで我々は,エンティティ認識と関係抽出の双方向相互作用を強化するため,マルチレベルメモリフローアテンション機構を設計する。さらに,人間のアノテーションを使わずに,トリガセンサモジュールを通じて文中の関係性トリガ情報を高めることで,モデル性能の向上とより優れた解釈によるモデル予測を実現する。実験の結果,SciERCではF1から52.44%(+3.2%),ACE05では66.49%(+4.9%),CoNLL04では72.35%(+0.6%),ADEでは80.66%(+2.3%)であった。

関連論文リスト

Joint Extraction of Uyghur Medicine Knowledge with Edge Computing [1.4223082738595538]
CoEx-Bertはエッジコンピューティングにおけるパラメータ共有を伴う共同抽出モデルである。ウグルの伝統的な医療データセットでは、精度、リコール、F1スコアはそれぞれ90.65%、92.45%、91.54%である。
論文参考訳（メタデータ） (2024-01-13T08:27:24Z)
CARE: Co-Attention Network for Joint Entity and Relation Extraction [0.0]
本稿では,共同エンティティと関係抽出のためのコ・アテンション・ネットワークを提案する。提案手法では,サブタスク毎に異なる表現を学習するための並列符号化方式を採用する。このアプローチのコアとなるのは,2つのサブタスク間の双方向のインタラクションをキャプチャするコアテンションモジュールです。
論文参考訳（メタデータ） (2023-08-24T03:40:54Z)
Mutually Guided Few-shot Learning for Relational Triple Extraction [10.539566491939844]
三重抽出(MG-FTE)のための相互指導型Few-shot学習フレームワーク本手法は,関係を分類するエンティティ誘導型リレーショナルデコーダと,エンティティを抽出するプロトデコーダとから構成される。 FewRel 1.0(単一ドメイン)では12.6F1スコア、FewRel 2.0(クロスドメイン)では20.5F1スコアで、多くの最先端手法よりも優れています。
論文参考訳（メタデータ） (2023-06-23T06:15:54Z)
HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。重要な洞察は、単語ペア間の複雑な関連を活用することである。実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
論文参考訳（メタデータ） (2023-05-07T14:57:42Z)
UniRel: Unified Representation and Interaction for Joint Relational Triple Extraction [29.15806644012706]
我々はUniRelを提案し、エンティティとリレーションのリッチな相関を捉えることの課題に対処する。具体的には、エンティティとリレーションシップの表現を、リレーショナルな自然言語シーケンスで共同で符号化することで統一する。 2つの一般的な3重抽出データセットに関する包括的実験により、UniRelはより効率的な計算効率を示す。
論文参考訳（メタデータ） (2022-11-16T16:53:13Z)
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)
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)
A Frustratingly Easy Approach for Entity and Relation Extraction [25.797992240847833]
本稿では,エンティティと関係抽出のための簡単なパイプライン化手法を提案する。標準ベンチマーク(ACE04、ACE05、SciERC)における新しい最先端技術を確立する。このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築します。
論文参考訳（メタデータ） (2020-10-24T07:14:01Z)
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)
A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文参考訳（メタデータ） (2020-10-08T10:16:52Z)
Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。