Fugu-MT 論文翻訳(概要): Defx at SemEval-2020 Task 6: Joint Extraction of Concepts and Relations for Definition Extraction

論文の概要: Defx at SemEval-2020 Task 6: Joint Extraction of Concepts and Relations for Definition Extraction

arxiv url: http://arxiv.org/abs/2103.17090v1
Date: Wed, 31 Mar 2021 14:01:20 GMT
ステータス: 処理完了
システム内更新日: 2021-04-01 14:38:45.574897
Title: Defx at SemEval-2020 Task 6: Joint Extraction of Concepts and Relations for Definition Extraction
Title（参考訳）: defx at semeval-2020 task 6: joint extraction of concepts and relations for definition extraction
Authors: Marc H\"ubner, Christoph Alt, Robert Schwarzenberg, Leonhard Hennig
Abstract要約: 我々はDeftEval共有タスクへの提出について述べる(SemEval-2020 Task 6)。定義概念とそれらの間の関係を共同抽出するためのシステムの詳細な説明を提供します。
参考スコア（独自算出の注目度）: 12.743335695024788
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Definition Extraction systems are a valuable knowledge source for both humans and algorithms. In this paper we describe our submissions to the DeftEval shared task (SemEval-2020 Task 6), which is evaluated on an English textbook corpus. We provide a detailed explanation of our system for the joint extraction of definition concepts and the relations among them. Furthermore we provide an ablation study of our model variations and describe the results of an error analysis.
Abstract（参考訳）: 定義抽出システムは人間とアルゴリズムの両方にとって貴重な知識源である。本稿では,defteval shared task (semeval-2020 task 6) への提案について述べる。本システムについて,定義概念とそれらの関係を統合的に抽出するための詳細な説明を行う。さらに, モデル変動に関するアブレーション研究を行い, 誤差解析の結果について述べる。

関連論文リスト

Tübingen-CL at SemEval-2024 Task 1:Ensemble Learning for Semantic Relatedness Estimation [0.0]
本稿では,文対の関連性を予測することを目的としたSemEval-2024 Task 1を提案する。我々は,関係性の予測のために,統計テキストの特徴や深層学習モデルの出力など,様々なシステムを統合するアンサンブルアプローチを採用する。
論文参考訳（メタデータ） (2024-10-14T14:56:51Z)
Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2023-08-24T16:06:36Z)
IRB-NLP at SemEval-2022 Task 1: Exploring the Relationship Between Words and Their Semantic Representations [0.0]
本研究は,CODWOEデータセットを用いた記述的,探索的,予測的データ分析に基づいて行った。本稿では,定義モデリングとリバース辞書タスクのために設計したシステムの概要について述べる。
論文参考訳（メタデータ） (2022-05-13T18:15:20Z)
Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-12-20T21:27:51Z)
Knowledge-driven Data Construction for Zero-shot Evaluation in Commonsense Question Answering [80.60605604261416]
本稿では,共通認識課題にまたがるゼロショット質問応答のための新しいニューラルシンボリック・フレームワークを提案する。言語モデル、トレーニング体制、知識ソース、データ生成戦略のセットを変えて、タスク間の影響を測定します。個別の知識グラフは特定のタスクに適しているが、グローバルな知識グラフはさまざまなタスクに対して一貫した利得をもたらす。
論文参考訳（メタデータ） (2020-11-07T22:52:21Z)
Introducing Syntactic Structures into Target Opinion Word Extraction with Deep Learning [89.64620296557177]
目的語抽出のためのディープラーニングモデルに文の構文構造を組み込むことを提案する。また,ディープラーニングモデルの性能向上のために,新たな正規化手法を導入する。提案モデルは,4つのベンチマークデータセット上での最先端性能を広範囲に解析し,達成する。
論文参考訳（メタデータ） (2020-10-26T07:13:17Z)
Summarizing Text on Any Aspects: A Knowledge-Informed Weakly-Supervised Approach [89.56158561087209]
文書に関連する任意の側面を要約する。監視データがないため、我々は新しい弱い監督構築法とアスペクト・モデリング・スキームを開発した。実験により,本手法は実文書と合成文書の両方を要約することで,性能の向上を図っている。
論文参考訳（メタデータ） (2020-10-14T03:20:46Z)
VCDM: Leveraging Variational Bi-encoding and Deep Contextualized Word Representations for Improved Definition Modeling [24.775371434410328]
定義モデリングの課題は、単語やフレーズの定義を学習することである。このタスクの既存のアプローチは差別的であり、直接的ではなく暗黙的に分布的意味論と語彙的意味論を組み合わせたものである。本稿では、文脈内で使われるフレーズとその定義の基盤となる関係を明示的にモデル化するために、連続潜時変数を導入したタスク生成モデルを提案する。
論文参考訳（メタデータ） (2020-10-07T02:48:44Z)
UPB at SemEval-2020 Task 6: Pretrained Language Models for Definition Extraction [0.17188280334580194]
本研究はSemEval-2020: Extracting Definitions from Free Text in Textbooksの6番目のタスクの文脈における我々の貢献を示す。様々な事前訓練された言語モデルを用いて、競技の3つのサブタスクのそれぞれを解決する。 DeftEvalデータセットで評価したベストパフォーマンスモデルは、第1サブタスクの32位、第2サブタスクの37位を得る。
論文参考訳（メタデータ） (2020-09-11T18:36:22Z)
SemEval-2020 Task 6: Definition extraction from free text with the DEFT corpus [28.67911239741097]
参加者が自由テキストから定義を抽出するSemEval共有タスクであるDeftEvalを提案する。 DeftEvalは3つの異なるサブタスクを含む:文分類、シーケンスラベリング、関係抽出。
論文参考訳（メタデータ） (2020-08-31T15:55:24Z)
Visual Question Answering with Prior Class Semantics [50.845003775809836]
候補解のセマンティクスに関連する追加情報を利用する方法を示す。セマンティック空間における回帰目標を用いて解答予測プロセスを拡張する。提案手法は,様々な質問タイプに対して,一貫性と精度の向上をもたらす。
論文参考訳（メタデータ） (2020-05-04T02:46:31Z)

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。