Fugu-MT 論文翻訳(概要): Dual Pointer Network for Fast Extraction of Multiple Relations in a Sentence

論文の概要: Dual Pointer Network for Fast Extraction of Multiple Relations in a Sentence

arxiv url: http://arxiv.org/abs/2103.03509v1
Date: Fri, 5 Mar 2021 07:36:54 GMT
ステータス: 処理完了
システム内更新日: 2021-03-08 22:28:29.179137
Title: Dual Pointer Network for Fast Extraction of Multiple Relations in a Sentence
Title（参考訳）: 文中の複数関係の高速抽出のためのデュアルポインタネットワーク
Authors: Seongsik Park and Harksoo Kim
Abstract要約: 関係抽出は、文中のエンティティ間の意味的関係を認識する情報抽出タスクの一種である。マルチヘッドアテンション機構を備えたデュアルポインタネットワークに基づく関係抽出モデルを提案する。
参考スコア（独自算出の注目度）: 7.117139527865022
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Relation extraction is a type of information extraction task that recognizes semantic relationships between entities in a sentence. Many previous studies have focused on extracting only one semantic relation between two entities in a single sentence. However, multiple entities in a sentence are associated through various relations. To address this issue, we propose a relation extraction model based on a dual pointer network with a multi-head attention mechanism. The proposed model finds n-to-1 subject-object relations using a forward object decoder. Then, it finds 1-to-n subject-object relations using a backward subject decoder. Our experiments confirmed that the proposed model outperformed previous models, with an F1-score of 80.8% for the ACE-2005 corpus and an F1-score of 78.3% for the NYT corpus.
Abstract（参考訳）: 関係抽出は、文中のエンティティ間の意味的関係を認識する情報抽出タスクの一種である。これまでの多くの研究は、1つの文中の2つのエンティティ間の意味関係を1つだけ抽出することに焦点を当ててきた。しかし、文中の複数の実体は様々な関係を通じて関連づけられる。そこで本研究では,マルチヘッドアテンション機構を備えたデュアルポインタネットワークに基づく関係抽出モデルを提案する。提案モデルは、フォワードオブジェクトデコーダを用いて n-to-1 対象関係を見つける。そして、後向きの被写体デコーダを用いて1対nの被写体オブジェクト関係を求める。実験では、提案されたモデルは、ACE-2005コーパスのF1スコアが80.8%、NYTコーパスのF1スコアが78.3%であった。

関連論文リスト

Dealing with negative samples with multi-task learning on span-based joint entity-relation extraction [0.7252027234425334]
近年のスパン型関節抽出モデルでは, 実体認識と関係抽出の両面で有意な優位性を示した。本稿では,スパンベースマルチタスク・エンティティ・リレーション・ジョイント抽出モデルを提案する。
論文参考訳（メタデータ） (2023-09-18T12:28:46Z)
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)
Sentence-Level Relation Extraction via Contrastive Learning with Descriptive Relation Prompts [1.5736899098702974]
本稿では、エンティティ情報、関係知識、エンティティタイプ制約を協調的に考慮する新しいパラダイムであるContrastive Learning with Descriptive Relation Prompts(CTL-)を提案する。 CTL-はTACREDで76.7%のF1スコアを獲得している。新しい提案パラダイムは、最先端のパフォーマンスであるTACREVとRe-TACREDでそれぞれ85.8%と91.6%のF1スコアを達成する。
論文参考訳（メタデータ） (2023-04-11T02:15:13Z)
A Masked Image Reconstruction Network for Document-level Relation Extraction [3.276435438007766]
文書レベルの関係抽出は、複雑な3重関係を抽出するために複数の文に対する推論を必要とする。マスク付き画像再構成ネットワーク(DRE-MIR)に基づく文書レベルの関係抽出モデルを提案する。我々は,3つの公開文書レベルの関係抽出データセットについて,そのモデルを評価する。
論文参考訳（メタデータ） (2022-04-21T02:41:21Z)
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)
UniRE: A Unified Label Space for Entity Relation Extraction [67.53850477281058]
合同エンティティ関係抽出モデルでは、2つのサブタスクに対して2つの分離ラベル空間を設定する。この設定は、エンティティとリレーション間の情報相互作用を妨げる可能性があると我々は主張する。本研究では,2つのサブタスクのラベル空間における異なる処理を除去することを提案する。
論文参考訳（メタデータ） (2021-07-09T08:09:37Z)
A Trigger-Sense Memory Flow Framework for Joint Entity and Relation Extraction [5.059120569845976]
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。
論文参考訳（メタデータ） (2021-01-25T16:24:04Z)
R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。最初にBERTを使用して、グローバルな視点から入力文をエンコードします。次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
論文参考訳（メタデータ） (2020-12-16T13:11:30Z)
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)
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)
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。