論文の概要: CoRI: Collective Relation Integration with Data Augmentation for Open Information Extraction

• arxiv url: http://arxiv.org/abs/2106.00793v1
• Date: Tue, 1 Jun 2021 21:01:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:37:06.092153
• Title: CoRI: Collective Relation Integration with Data Augmentation for Open Information Extraction
• Title（参考訳）: CoRI:オープン情報抽出のためのデータ拡張と集合関係の統合
• Authors: Zhengbao Jiang, Jialong Han, Bunyamin Sisman, Xin Luna Dong
• Abstract要約: 我々は,対象KGにおける対象-関係オブジェクト抽出における自由テキスト関係を,対象KGにおける関係に整合させることを目的とした関係統合について検討する。 本稿では,第1段階が独立して予測を行う2段階の集合関係統合モデルを提案する。 第2段階では、グローバルに一貫性のある予測を行うために、すべての候補予測にアクセスする集合モデルを採用している。
• 参考スコア（独自算出の注目度）: 38.319595290576956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrating extracted knowledge from the Web to knowledge graphs (KGs) can facilitate tasks like question answering. We study relation integration that aims to align free-text relations in subject-relation-object extractions to relations in a target KG. To address the challenge that free-text relations are ambiguous, previous methods exploit neighbor entities and relations for additional context. However, the predictions are made independently, which can be mutually inconsistent. We propose a two-stage Collective Relation Integration (CoRI) model, where the first stage independently makes candidate predictions, and the second stage employs a collective model that accesses all candidate predictions to make globally coherent predictions. We further improve the collective model with augmented data from the portion of the target KG that is otherwise unused. Experiment results on two datasets show that CoRI can significantly outperform the baselines, improving AUC from .677 to .748 and from .716 to .780, respectively.
• Abstract（参考訳）: Webから抽出された知識を知識グラフ(KG)に統合することで、質問応答のような作業が容易になる。 本研究では,対象kgにおける関係関係に対する主観-関係-対象抽出における自由テキスト関係の整合を目的とした関係統合について検討する。 自由テキスト関係が曖昧であるという課題に対処するために、以前の方法は、追加の文脈で隣のエンティティとリレーションを利用する。 しかし、予測は独立して行われ、相互に矛盾する可能性がある。 本稿では,第1段階が個別に候補予測を行い,第2段階が全ての候補予測にアクセスしてグローバルにコヒーレントな予測を行う2段階集団関係統合(cori)モデルを提案する。 さらに、未使用のターゲットKGの一部からデータを付加することで、集合モデルをさらに改善する。 2つのデータセットの実験結果から、CoRIはベースラインを大幅に上回り、AUCは.677から.748に、AUCは.716から.780に改善された。

関連論文リスト

• Beyond Entity Alignment: Towards Complete Knowledge Graph Alignment via Entity-Relation Synergy [14.459419325027612]
  知識グラフアライメントは、個々の知識グラフの制限に対処するために、複数のソースからの知識を統合することを目的としている。 既存のモデルは、主にクロスグラフエンティティのリンクを強調するが、KG間の関係の整合性を見落としている。 本稿では,2つのサブタスクを反復的に最適化する新しい予測最大化モデルEREMを提案する。
  論文  参考訳（メタデータ） (2024-07-25T03:40:09Z)
• Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing [30.204313638661255]
  文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。 本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:08:28Z)
• A Relation-Interactive Approach for Message Passing in Hyper-relational Knowledge Graphs [0.0]
  本稿では,ReSaEと呼ばれるグローバルな関係構造認識能力を備えたメッセージパス方式のグラフエンコーダを提案する。 実験により、ReSaEは複数のリンク予測ベンチマークで最先端の性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-02-23T06:55:04Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Document-level Relation Extraction with Context Guided Mention Integration and Inter-pair Reasoning [18.374097786748834]
  文書レベルの関係抽出(DRE)は、2つの実体間の関係を認識することを目的としている。 これまでの研究では、言及の統合についてはほとんど研究されていないが、これは問題となるかもしれない。 本稿では,コンテキストガイドメンション統合とペア間推論という2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-13T08:00:23Z)
• 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)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• 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)
• HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
  複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。 実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。 さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
  論文  参考訳（メタデータ） (2020-08-28T18:58:15Z)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)

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。