論文の概要: Multi-view Inference for Relation Extraction with Uncertain Knowledge

• arxiv url: http://arxiv.org/abs/2104.13579v1
• Date: Wed, 28 Apr 2021 05:56:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 19:31:23.713417
• Title: Multi-view Inference for Relation Extraction with Uncertain Knowledge
• Title（参考訳）: 未知知識を用いた関係抽出のための多視点推論
• Authors: Bo Li, Wei Ye, Canming Huang, and Shikun Zhang
• Abstract要約: 本論文では,未知の知識を利用して関係抽出を改善することを提案する。 対象エンティティが概念にどの程度属しているかを示す不確定なkgであるprobaseを紹介する。 次に、ローカルコンテキストとグローバル知識を体系的に統合する新しい多視点推論フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 8.064148591925932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) are widely used to facilitate relation extraction (RE) tasks. While most previous RE methods focus on leveraging deterministic KGs, uncertain KGs, which assign a confidence score for each relation instance, can provide prior probability distributions of relational facts as valuable external knowledge for RE models. This paper proposes to exploit uncertain knowledge to improve relation extraction. Specifically, we introduce ProBase, an uncertain KG that indicates to what extent a target entity belongs to a concept, into our RE architecture. We then design a novel multi-view inference framework to systematically integrate local context and global knowledge across three views: mention-, entity- and concept-view. The experimental results show that our model achieves competitive performances on both sentence- and document-level relation extraction, which verifies the effectiveness of introducing uncertain knowledge and the multi-view inference framework that we design.
• Abstract（参考訳）: 知識グラフ(KG)は関係抽出(RE)作業を容易にするために広く使われている。 従来のRE手法は決定論的KGの活用に重点を置いているが、関係インスタンスごとに信頼スコアを割り当てる不確実なKGは、関係事実の事前確率分布をREモデルにとって価値のある外部知識として提供することができる。 本稿では,不確実な知識を利用して関係抽出を改善することを提案する。 具体的には、ターゲットエンティティがコンセプトに属する範囲を示す不確実なKGであるProBaseを、当社のREアーキテクチャに導入する。 次に,3つの視点にわたる局所的文脈とグローバル知識を体系的に統合する,新しいマルチビュー推論フレームワークを設計した。 実験の結果,本モデルは文間関係抽出と文書間関係抽出の両方において競争性能を達成でき,我々が設計する多視点推論フレームワークと不確定な知識の導入の有効性を検証できることがわかった。

関連論文リスト

• GIVE: Structured Reasoning with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを統合する新しい推論フレームワークである。 本手法は,ゴールド回答検索ではなく,専門家の問題解決に類似した論理的・段階的推論手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Discovering Common Information in Multi-view Data [35.37807004353416]
  多視点データから共通情報を計算するための革新的で数学的に厳密な定義を導入する。 我々は,共通情報と一意情報の両方を捉えるために,教師付き多視点学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-06-21T10:47:06Z)
• Generative Intrinsic Optimization: Intrinsic Control with Model Learning [5.439020425819001]
  将来のシーケンスは、環境へのアクションの実行後の結果を表す。 明示的な成果は、クレジットの割り当てや模倣学習などの異なる目的のために、州、返却、軌跡によって異なりうる。 本稿では、相互情報をシームレスに組み込んだ政策スキームを提案し、最適な政策への収束を確保する。
  論文  参考訳（メタデータ） (2023-10-12T07:50:37Z)
• Modeling Multiple Views via Implicitly Preserving Global Consistency and Local Complementarity [61.05259660910437]
  複数の視点から表現を学習するために,グローバルな一貫性と相補性ネットワーク(CoCoNet)を提案する。 グローバルな段階では、重要な知識はビュー間で暗黙的に共有され、そのような知識を捕捉するためのエンコーダの強化は、学習された表現の識別性を向上させることができる。 最後に、局所的な段階において、横断的な識別的知識を結合する相補的要素を提案し、また、エンコーダが視点的識別性だけでなく、横断的な相補的情報も学習するように誘導する。
  論文  参考訳（メタデータ） (2022-09-16T09:24:00Z)
• Enhancing Document-level Relation Extraction by Entity Knowledge Injection [33.35887114768141]
  ドキュメントレベルの関係抽出(RE)は、ドキュメント全体を通してエンティティ間の関係を特定することを目的としている。 大規模知識グラフ(KG)は現実世界の事実を豊富に含み、ドキュメントレベルのREに貴重な知識を提供する。 本稿では,現行の文書レベルのREモデルを強化するためのエンティティ知識注入フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-23T06:45:11Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• REKnow: Enhanced Knowledge for Joint Entity and Relation Extraction [30.829001748700637]
  関係抽出はテキストからすべての隠れた関係事実を抽出することを目的とした課題である。 様々な関係抽出設定下でうまく機能する統一されたフレームワークは存在しない。 これら2つの問題を緩和する知識強化型生成モデルを提案する。 本モデルは,WebNLG,NYT10,TACREDなど,複数のベンチマークや設定において優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-06-10T13:59:38Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
  ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。 まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
  論文  参考訳（メタデータ） (2021-04-12T05:52:20Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Improving Relation Extraction by Leveraging Knowledge Graph Link Prediction [5.820381428297218]
  REとKGLPのタスクを共同トレーニングし、REモデルの性能を向上させるマルチタスク学習手法を提案します。 いくつかの既存のREモデルに適用することで、我々のアプローチの一般性を説明し、一貫性のあるパフォーマンス向上を実現するのにどのように役立つかを実証的に示す。
  論文  参考訳（メタデータ） (2020-12-09T01:08:13Z)

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。