論文の概要: Techniques for Jointly Extracting Entities and Relations: A Survey

• arxiv url: http://arxiv.org/abs/2103.06118v1
• Date: Wed, 10 Mar 2021 15:18:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 14:57:54.905551
• Title: Techniques for Jointly Extracting Entities and Relations: A Survey
• Title（参考訳）: エンティティとリレーションを共同で抽出するテクニック:調査
• Authors: Sachin Pawar, Pushpak Bhattacharyya, Girish K. Palshikar
• Abstract要約: 伝統的に、関係抽出は「パイプライン」の方法で実体抽出後に行われる。 共同実行エンティティと関係抽出は、両方のタスクに有益であることが観察された。
• 参考スコア（独自算出の注目度）: 31.759798455009253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation Extraction is an important task in Information Extraction which deals with identifying semantic relations between entity mentions. Traditionally, relation extraction is carried out after entity extraction in a "pipeline" fashion, so that relation extraction only focuses on determining whether any semantic relation exists between a pair of extracted entity mentions. This leads to propagation of errors from entity extraction stage to relation extraction stage. Also, entity extraction is carried out without any knowledge about the relations. Hence, it was observed that jointly performing entity and relation extraction is beneficial for both the tasks. In this paper, we survey various techniques for jointly extracting entities and relations. We categorize techniques based on the approach they adopt for joint extraction, i.e. whether they employ joint inference or joint modelling or both. We further describe some representative techniques for joint inference and joint modelling. We also describe two standard datasets, evaluation techniques and performance of the joint extraction approaches on these datasets. We present a brief analysis of application of a general domain joint extraction approach to a Biomedical dataset. This survey is useful for researchers as well as practitioners in the field of Information Extraction, by covering a broad landscape of joint extraction techniques.
• Abstract（参考訳）: 関係抽出は情報抽出において重要なタスクであり、エンティティ参照間の意味関係の識別を扱う。 伝統的に、関係抽出は「パイプライン」の方法でエンティティ抽出後に行われるので、関係抽出は、抽出されたエンティティの対の間に意味的関係が存在するかどうかを決定することだけに焦点を当てる。 これにより、エンティティ抽出段階から関係抽出段階へエラーが伝播する。 また、実体抽出は関係についての知識なしに行われます。 したがって, エンティティと関係抽出を共同で行うことは, 両者にとって有益であることがわかった。 本稿では,エンティティと関係を共同で抽出する様々な手法について検討する。 我々は,共同抽出に採用する手法,すなわち関節抽出の手法を分類する。 共同推論や共同モデリング、あるいは両方を採用するかどうか。 さらに,ジョイント推論とジョイントモデリングの代表的な手法について述べる。 また,これらのデータセットに対する統合抽出手法の評価手法と性能について述べる。 本稿では,一般領域共同抽出手法のバイオメディカルデータセットへの応用について簡単な解析を行った。 本調査は, 共同抽出手法の広い視野をカバーすることで, 情報抽出分野の研究者や実践者にとって有用である。

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)
• Towards Relation Extraction From Speech [56.36416922396724]
  本稿では,新たな聴取情報抽出タスク,すなわち音声関係抽出を提案する。 本研究では,音声合成システムによる音声関係抽出のための訓練データセットを構築し,英語母語話者によるクラウドソーシングによるテストデータセットを構築した。 我々は,音声関係抽出における課題を識別するための包括的実験を行い,今後の探索に光を当てる可能性がある。
  論文  参考訳（メタデータ） (2022-10-17T05:53:49Z)
• Scientific and Technological Text Knowledge Extraction Method of based on Word Mixing and GRU [25.00844482891488]
  知識抽出タスクは 構造化されていないテキストデータから 3つの関係を抽出する。 ピペリン」とは、名前付きエンティティ認識とエンティティ関係抽出を分離する手法である。 結合抽出(Joint extract)とは、ニューラルネットワークによって実装され、エンティティ認識と関係抽出を実現するためのエンド・ツー・エンドモデルである。
  論文  参考訳（メタデータ） (2022-03-31T14:52:35Z)
• 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)
• 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)
• 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)
• Relabel the Noise: Joint Extraction of Entities and Relations via Cooperative Multiagents [52.55119217982361]
  協調型マルチエージェント群を用いて,雑音の多いインスタンスを処理するための共同抽出手法を提案する。 ノイズの多いインスタンスをきめ細かな方法で処理するために、協調グループの各エージェントは、自身の視点で連続的な信頼スコアを算出してインスタンスを評価する。 信頼度コンセンサスモジュールは、すべてのエージェントの知恵を収集し、信頼度ラベル付きラベルでノイズの多いトレーニングセットを再分割するように設計されている。
  論文  参考訳（メタデータ） (2020-04-21T12:03:04Z)
• A logic-based relational learning approach to relation extraction: The OntoILPER system [0.9176056742068812]
  論理に基づく関係学習手法OntoILPERを提案する。 OntoILPERは、例のリッチなリレーショナル表現の利益を享受し、欠点を軽減することができる。 提案手法は統計的手法よりも関係抽出に適していると考えられる。
  論文  参考訳（メタデータ） (2020-01-13T12:47:49Z)

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。