論文の概要: Relation Classification with Entity Type Restriction

• arxiv url: http://arxiv.org/abs/2105.08393v1
• Date: Tue, 18 May 2021 09:42:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:02:08.205762
• Title: Relation Classification with Entity Type Restriction
• Title（参考訳）: エンティティ型制約付き関係分類
• Authors: Shengfei Lyu, Huanhuan Chen
• Abstract要約: 関係分類は、文中の2つの実体間の関係を予測することを目的とする。 既存の方法は、すべての関係を文中の2つのエンティティの候補関係と見なします。 候補関係を制限するためにエンティティタイプを利用する新しいパラダイムであるRelation Classification with ENtity Type Limit (RECENT)を提案する。
• 参考スコア（独自算出の注目度）: 22.005642090480663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation classification aims to predict a relation between two entities in a sentence. The existing methods regard all relations as the candidate relations for the two entities in a sentence. These methods neglect the restrictions on candidate relations by entity types, which leads to some inappropriate relations being candidate relations. In this paper, we propose a novel paradigm, RElation Classification with ENtity Type restriction (RECENT), which exploits entity types to restrict candidate relations. Specially, the mutual restrictions of relations and entity types are formalized and introduced into relation classification. Besides, the proposed paradigm, RECENT, is model-agnostic. Based on two representative models GCN and SpanBERT respectively, RECENT_GCN and RECENT_SpanBERT are trained in RECENT. Experimental results on a standard dataset indicate that RECENT improves the performance of GCN and SpanBERT by 6.9 and 4.4 F1 points, respectively. Especially, RECENT_SpanBERT achieves a new state-of-the-art on TACRED.
• Abstract（参考訳）: 関係分類は文中の2つの実体間の関係を予測することを目的としている。 既存の方法は、すべての関係を文中の2つの実体の候補関係とみなす。 これらの方法は、エンティティタイプによる候補関係の制限を無視し、いくつかの不適切な関係が候補関係となる。 本稿では,関係性を制限するためにエンティティタイプを利用した関係分類法であるRelation Classification with ENtity Type Regulation (RECENT)を提案する。 特に、関係型とエンティティ型の相互制約を形式化し、関係分類に導入する。 さらに、提案するパラダイムであるRECENTはモデルに依存しない。 それぞれ2つの代表モデルGCNとSpanBERTに基づいて、RECENT_GCNとRECENT_SpanBERTをトレーニングする。 標準データセットの実験結果は、RECENTがGCNとSpanBERTのパフォーマンスをそれぞれ6.9ポイント、F1が4.4ポイント改善したことを示している。 特にRECENT_SpanBERTはTACREDで新しい最先端を実現している。

関連論文リスト

• Best of Both Worlds: A Pliable and Generalizable Neuro-Symbolic Approach for Relation Classification [17.398872494876365]
  本稿では,関係分類のための新しいニューロシンボリックアーキテクチャを提案する。 ルールベースの手法と現代のディープラーニング技術を組み合わせる。 提案手法は4つの設定のうち3つで従来の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-05T20:08:32Z)
• ProtoEM: A Prototype-Enhanced Matching Framework for Event Relation Extraction [69.74158631862652]
  イベント関係抽出(ERE)は、テキスト中のイベント間の複数の種類の関係を抽出することを目的としている。 既存の手法では、イベント関係を異なるクラスに分類し、これらの関係の本質的な意味を不適切に捉えている。 複数種類の事象関係の連成抽出のためのプロトタイプ強化マッチング(ProtoEM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-22T14:26:06Z)
• AsyncET: Asynchronous Learning for Knowledge Graph Entity Typing with Auxiliary Relations [42.16033541753744]
  複数の補助関係を導入することで知識グラフ埋め込み(KGE)手法の表現性を向上させる。 類似のエンティティタイプは、補助的な関係の数を減らし、異なる粒度を持つエンティティタイプのパターンをモデル化する能力を改善するためにグループ化される。 KGETタスクにおけるKGEメソッドの性能を大幅に改善できることを示すために、2つの一般的なKGETデータセットで実験を行った。
  論文  参考訳（メタデータ） (2023-08-30T14:24:16Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• A RelEntLess Benchmark for Modelling Graded Relations between Named Entities [29.528217625083546]
  我々は,与えられた次数関係をどの程度満たすかに応じて,エンティティペアをランク付けしなければならない新しいベンチマークを導入する。 モデルのサイズと性能の間には強い相関関係があり、より小さな言語モデルでは単純なベースラインを上回りません。 最大のFlan-T5およびOPTモデルの結果は極めて強いが、人間のパフォーマンスとの明確なギャップは残る。
  論文  参考訳（メタデータ） (2023-05-24T10:41:24Z)
• 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)
• Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings [70.390286614242]
  本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。 実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2022-03-24T09:24:39Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• 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。

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。