論文の概要: Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations

• arxiv url: http://arxiv.org/abs/2106.12384v1
• Date: Wed, 23 Jun 2021 13:24:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 15:24:55.324780
• Title: Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations
• Title（参考訳）: 強化学習に基づく対話型イベント抽出による議論関係の活用
• Authors: Qian Li, Hao Peng, Jianxin Li, Yuanxing Ning, Lihong Wang, Philip S. Yu, Zheng Wang
• Abstract要約: 本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。 我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。 実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
• 参考スコア（独自算出の注目度）: 70.35379323231241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event extraction is a fundamental task for natural language processing. Finding the roles of event arguments like event participants is essential for event extraction. However, doing so for real-life event descriptions is challenging because an argument's role often varies in different contexts. While the relationship and interactions between multiple arguments are useful for settling the argument roles, such information is largely ignored by existing approaches. This paper presents a better approach for event extraction by explicitly utilizing the relationships of event arguments. We achieve this through a carefully designed task-oriented dialogue system. To model the argument relation, we employ reinforcement learning and incremental learning to extract multiple arguments via a multi-turned, iterative process. Our approach leverages knowledge of the already extracted arguments of the same sentence to determine the role of arguments that would be difficult to decide individually. It then uses the newly obtained information to improve the decisions of previously extracted arguments. This two-way feedback process allows us to exploit the argument relations to effectively settle argument roles, leading to better sentence understanding and event extraction. Experimental results show that our approach consistently outperforms seven state-of-the-art event extraction methods for the classification of events and argument role and argument identification.
• Abstract（参考訳）: イベント抽出は自然言語処理の基本的なタスクである。 イベント参加者のようなイベント引数の役割を見つけることは、イベント抽出に不可欠である。 しかし、実生活におけるイベント記述のために行うことは、議論の役割が異なる状況でしばしば異なるため、難しい。 複数の引数間の関係と相互作用は引数の役割を解決するのに有用であるが、そのような情報は既存のアプローチでは無視されている。 本稿では,イベント引数の関係を明示的に活用し,イベント抽出のためのより良い手法を提案する。 タスク指向対話システムによってこれを実現できる。 議論関係をモデル化するために,強化学習とインクリメンタル学習を用い,マルチターン反復プロセスを通じて複数の引数を抽出する。 提案手法では,すでに抽出された同一文の引数の知識を活用して,個別に決定しにくい議論の役割を決定する。 その後、新たに取得した情報を使用して、以前抽出された議論の判断を改善する。 この双方向フィードバックプロセスにより、議論関係を利用して議論の役割を効果的に解決し、文理解とイベント抽出を改善することができる。 実験の結果,提案手法は,イベントの分類や引数の役割,引数の識別において,7つの最先端イベント抽出手法を一貫して上回っていることがわかった。

関連論文リスト

• Explicit, Implicit, and Scattered: Revisiting Event Extraction to Capture Complex Arguments [1.9820694575112385]
  先行研究は、イベント固有の引数の抽出をスパン抽出問題として定式化する。 既存のEEフレームワークではモデル化できない2つの重要な引数タイプを紹介します。 オンライン健康談話から7,464の論証アノテーションを含む新しいデータセットであるDiscourseEEを開発した。
  論文  参考訳（メタデータ） (2024-10-04T16:54:30Z)
• Global Constraints with Prompting for Zero-Shot Event Argument Classification [49.84347224233628]
  我々は、アノテーションやタスク固有のトレーニングを使わずに、イベント引数の分類に取り組むよう促すことで、グローバルな制約を利用することを提案する。 事前訓練された言語モデルは、新しいパスをスコアし、最初の予測を行う。 私たちの新しいプロンプトテンプレートは、手作業なしで、すべてのイベントや引数タイプに簡単に適応できます。
  論文  参考訳（メタデータ） (2023-02-09T06:39:29Z)
• Retrieval-Augmented Generative Question Answering for Event Argument Extraction [66.24622127143044]
  イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。 最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。 提案手法は, 様々な設定において, かなり先行した手法より優れている。
  論文  参考訳（メタデータ） (2022-11-14T02:00:32Z)
• Open-Vocabulary Argument Role Prediction for Event Extraction [70.93524366880521]
  本稿では,この本質的だが未探索な課題,すなわち開語彙的引数ロール予測を定義する。 このタスクの目標は、所定のイベントタイプに対する引数ロールのセットを推論することである。 本稿では,この課題に対する新しい教師なしフレームワークであるRolePredを提案する。
  論文  参考訳（メタデータ） (2022-11-03T04:13:37Z)
• Dynamic Global Memory for Document-level Argument Extraction [63.314514124716936]
  文書レベルのイベント引数抽出のための,新しいグローバルなニューラルジェネレーションベースのフレームワークを提案する。 文書メモリストアを使用してコンテキストイベント情報を記録し、それを暗黙的に明示的に活用することで、後のイベントの引数の復号に役立ちます。 実験結果から,我々のフレームワークは従来の手法よりも大幅に優れていたことが判明した。
  論文  参考訳（メタデータ） (2022-09-18T23:45:25Z)
• EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction [52.43978926985928]
  本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。 WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
  論文  参考訳（メタデータ） (2022-05-30T04:33:51Z)
• Capturing Event Argument Interaction via A Bi-Directional Entity-Level Recurrent Decoder [7.60457018063735]
  イベント引数抽出(EAE)をSeq2Seqライクな学習問題として初めて定式化する。 新たな双方向エンティティレベルリカレントデコーダ(BERD)を用いたニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-01T02:55:12Z)
• Event Argument Extraction using Causal Knowledge Structures [9.56216681584111]
  イベント引数抽出とは、特定のイベントのために構造化されていないテキストから構造化情報を抽出するタスクを指します。 既存の作業のほとんどは、このタスクを文レベルでモデル化し、コンテキストをローカルスコープに制限する。 複雑なイベント引数の抽出を支援するために,ドキュメントレベルのイベント情報を注入する外部知識支援アプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-02T13:59:07Z)
• Resource-Enhanced Neural Model for Event Argument Extraction [28.812507794694543]
  イベント引数抽出は、イベントの引数を特定し、それらの引数が果たす役割を分類することを目的としている。 本稿では,複数種類のトリガ依存シーケンス表現を持つトリガ対応シーケンスエンコーダを提案する。 ACE2005ベンチマーク実験により,本手法が新たな最先端技術を実現することを示す。
  論文  参考訳（メタデータ） (2020-10-06T21:00:54Z)
• Event Extraction by Answering (Almost) Natural Questions [40.13163091122463]
  質問応答(QA)タスクとして定式化することで,イベント抽出のための新しいパラダイムを導入する。 実験結果から,我々のフレームワークは先行手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-04-28T16:15:46Z)

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。