論文の概要: Entity Concept-enhanced Few-shot Relation Extraction

• arxiv url: http://arxiv.org/abs/2106.02401v1
• Date: Fri, 4 Jun 2021 10:36:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 15:26:56.888610
• Title: Entity Concept-enhanced Few-shot Relation Extraction
• Title（参考訳）: エンティティ概念に基づくファウショット関係抽出
• Authors: Shan Yang, Yongfei Zhang, Guanglin Niu, Qinghua Zhao, Shiliang Pu
• Abstract要約: 長尾分布問題において,FSRE (Few-shot relation extract) が重要である。 ほとんどの既存のFSREアルゴリズムは、認識されたエンティティペアと共に文の情報に基づいて関係を正確に分類することができない。 本稿では,エンティティ固有の概念を導入し,関係予測の手がかりを提供する,エンティティ強化型FEw-shot Relation extract scheme(ConceptFERE)を提案する。
• 参考スコア（独自算出の注目度）: 35.10974511223129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot relation extraction (FSRE) is of great importance in long-tail distribution problem, especially in special domain with low-resource data. Most existing FSRE algorithms fail to accurately classify the relations merely based on the information of the sentences together with the recognized entity pairs, due to limited samples and lack of knowledge. To address this problem, in this paper, we proposed a novel entity CONCEPT-enhanced FEw-shot Relation Extraction scheme (ConceptFERE), which introduces the inherent concepts of entities to provide clues for relation prediction and boost the relations classification performance. Firstly, a concept-sentence attention module is developed to select the most appropriate concept from multiple concepts of each entity by calculating the semantic similarity between sentences and concepts. Secondly, a self-attention based fusion module is presented to bridge the gap of concept embedding and sentence embedding from different semantic spaces. Extensive experiments on the FSRE benchmark dataset FewRel have demonstrated the effectiveness and the superiority of the proposed ConceptFERE scheme as compared to the state-of-the-art baselines. Code is available at https://github.com/LittleGuoKe/ConceptFERE.
• Abstract（参考訳）: ロングテール分布問題、特に低リソースデータを持つ特殊領域において、少数ショット関係抽出(fsre)は非常に重要である。 既存のfsreアルゴリズムの多くは、限られたサンプルと知識の欠如のため、認識されたエンティティペアと文の情報のみに基づいて正確な関係を分類できない。 そこで,本稿では,関係予測のための手掛かりを提供し,関係分類性能を向上させるために,エンティティの固有概念を導入する新しいエンティティ概念拡張小ショット関係抽出スキーム (conceptfere) を提案する。 まず、文と概念間の意味的類似性を計算することにより、各実体の複数の概念から最も適切な概念を選択する。 次に、自己注意に基づく融合モジュールを提示し、異なる意味空間から概念の埋め込みと文の埋め込みのギャップを埋める。 FSREベンチマークデータセットFewRelの大規模な実験は、提案したConceptFEREスキームの有効性と優位性を、最先端のベースラインと比較して実証した。 コードはhttps://github.com/LittleGuoKe/ConceptFEREで入手できる。

関連論文リスト

• Compressing Long Context for Enhancing RAG with AMR-based Concept Distillation [17.156915103545728]
  大規模言語モデル(LLM)は情報取得に大きく貢献している。 Retrieval Augmented Generation (RAG)は、外部の非パラメトリック知識を取り入れることで、この制限に対処する。 本稿では,抽象表現(AMR)に基づく概念蒸留アルゴリズムを用いた新しい概念ベースRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-06T00:18:43Z)
• Synergistic Anchored Contrastive Pre-training for Few-Shot Relation Extraction [4.7220779071424985]
  Few-shot Relation extract (FSRE) は、ラベル付きコーパスのスパースセットから事実を抽出することを目的としている。 近年の研究では、事前学習言語モデルを用いたFSREの有望な結果が示されている。 本稿では,新しい相乗的アンカー付きコントラスト事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-19T10:16:24Z)
• Coherent Entity Disambiguation via Modeling Topic and Categorical Dependency [87.16283281290053]
  従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。 本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。 我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-11-06T16:40:13Z)
• Causality-aware Concept Extraction based on Knowledge-guided Prompting [17.4086571624748]
  概念は自然言語理解の恩恵を受けるが、既存の知識グラフ(KG)では完全とは程遠い。 近年,テキストベースの概念抽出において,事前学習言語モデル (PLM) が広く用いられている。 本稿では, PLM を用いた抽出器に知識誘導型プロンプトを装着することで, 概念バイアスを軽減することを提案する。
  論文  参考訳（メタデータ） (2023-05-03T03:36:20Z)
• Discriminative Co-Saliency and Background Mining Transformer for Co-Salient Object Detection [111.04994415248736]
  我々は差別的共存とバックグラウンドマイニング・トランスフォーマー・フレームワーク(DMT)を提案する。 我々は2種類の事前定義されたトークンを用いて、コントラスト誘起画素間相関モジュールとコサリエンストークン間相関モジュールを用いて、コサリエンシと背景情報をマイニングする。 3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-04-30T15:56:47Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• Rediscovering Argumentation Principles Utilizing Collective Attacks [26.186171927678874]
  我々は、集合攻撃(SETAFs)による論証フレームワークへの原則に基づくアプローチを拡張した。 分析の結果、与えられたSETAF(例えば、方向性やSCC再帰性)の分解に基づく原理の検証は、通常のAFと比較して、さらなる課題をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-06T11:41:23Z)
• Multi-view Inference for Relation Extraction with Uncertain Knowledge [8.064148591925932]
  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。
  論文  参考訳（メタデータ） (2021-04-28T05:56:33Z)
• Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimation for Facial Expression Recognition [59.52434325897716]
  DMUE(DMUE)という,アノテーションのあいまいさを2つの視点から解決するソリューションを提案する。 前者に対しては,ラベル空間における潜伏分布をよりよく記述するために,補助的マルチブランチ学習フレームワークを導入する。 後者の場合、インスタンス間の意味的特徴のペアワイズ関係を完全に活用して、インスタンス空間のあいまいさの程度を推定する。
  論文  参考訳（メタデータ） (2021-04-01T03:21:57Z)
• 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)

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。