論文の概要: Effective Cascade Dual-Decoder Model for Joint Entity and Relation
Extraction
- arxiv url: http://arxiv.org/abs/2106.14163v1
- Date: Sun, 27 Jun 2021 07:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 14:04:24.567275
- Title: Effective Cascade Dual-Decoder Model for Joint Entity and Relation
Extraction
- Title(参考訳): 結合エンティティと関係抽出のための効果的なカスケードデュアルデコーダモデル
- Authors: Lianbo Ma, Huimin Ren, Xiliang Zhang
- Abstract要約: テキストからリレーショナルトリプルを抽出することは知識グラフ構築の基本的な課題である。
重なり合う三重項を抽出する効果的なカスケード二重復号器手法を提案する。
- 参考スコア(独自算出の注目度): 1.2891210250935146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting relational triples from texts is a fundamental task in knowledge
graph construction. The popular way of existing methods is to jointly extract
entities and relations using a single model, which often suffers from the
overlapping triple problem. That is, there are multiple relational triples that
share the same entities within one sentence. In this work, we propose an
effective cascade dual-decoder approach to extract overlapping relational
triples, which includes a text-specific relation decoder and a
relation-corresponded entity decoder. Our approach is straightforward: the
text-specific relation decoder detects relations from a sentence according to
its text semantics and treats them as extra features to guide the entity
extraction; for each extracted relation, which is with trainable embedding, the
relation-corresponded entity decoder detects the corresponding head and tail
entities using a span-based tagging scheme. In this way, the overlapping triple
problem is tackled naturally. Experiments on two public datasets demonstrate
that our proposed approach outperforms state-of-the-art methods and achieves
better F1 scores under the strict evaluation metric. Our implementation is
available at https://github.com/prastunlp/DualDec.
- Abstract(参考訳): テキストからリレーショナルトリプルを抽出することは知識グラフ構築の基本的な課題である。
既存の手法の一般的な方法は、重なり合う三重問題に悩まされる単一のモデルを用いて、エンティティと関係を共同で抽出することである。
すなわち、1つの文内で同じエンティティを共有する複数のリレーショナルトリプルが存在する。
本研究では,テキスト固有の関係デコーダと関係対応エンティティデコーダを含む重なり合う関係三重項を抽出する効果的なカスケード二重デコーダ手法を提案する。
テキスト固有の関係デコーダはテキストの意味に従って文から関係を検知し、エンティティ抽出を導く追加の特徴として扱う; 抽出された関係は、学習可能な埋め込みである、関係対応エンティティデコーダは、スパンベースのタグ付けスキームを用いて対応する頭部と尾のエンティティを検出する。
このように、重なり合う三重問題は自然に取り組まれる。
2つの公開データセットの実験により、提案手法は最先端の手法より優れ、厳密な評価基準の下でF1スコアが向上することを示した。
実装はhttps://github.com/prastunlp/dualdec.comで利用可能です。
関連論文リスト
- Mutually Guided Few-shot Learning for Relational Triple Extraction [10.539566491939844]
三重抽出(MG-FTE)のための相互指導型Few-shot学習フレームワーク
本手法は,関係を分類するエンティティ誘導型リレーショナルデコーダと,エンティティを抽出するプロトデコーダとから構成される。
FewRel 1.0(単一ドメイン)では12.6F1スコア、FewRel 2.0(クロスドメイン)では20.5F1スコアで、多くの最先端手法よりも優れています。
論文 参考訳(メタデータ) (2023-06-23T06:15:54Z) - HIORE: Leveraging High-order Interactions for Unified Entity Relation
Extraction [85.80317530027212]
本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。
重要な洞察は、単語ペア間の複雑な関連を活用することである。
実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
論文 参考訳(メタデータ) (2023-05-07T14:57:42Z) - Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。
一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。
本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-25T04:33:27Z) - UniRel: Unified Representation and Interaction for Joint Relational
Triple Extraction [29.15806644012706]
我々はUniRelを提案し、エンティティとリレーションのリッチな相関を捉えることの課題に対処する。
具体的には、エンティティとリレーションシップの表現を、リレーショナルな自然言語シーケンスで共同で符号化することで統一する。
2つの一般的な3重抽出データセットに関する包括的実験により、UniRelはより効率的な計算効率を示す。
論文 参考訳(メタデータ) (2022-11-16T16:53:13Z) - RelationPrompt: Leveraging Prompts to Generate Synthetic Data for
Zero-Shot Relation Triplet Extraction [65.4337085607711]
ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。
入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。
本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
論文 参考訳(メタデータ) (2022-03-17T05:55:14Z) - OneRel:Joint Entity and Relation Extraction with One Module in One Step [42.576188878294886]
統合エンティティと関係抽出は自然言語処理と知識グラフ構築において不可欠な課題である。
そこで我々は, 結合抽出を細粒度三重分類問題として用いた, OneRel という新しい結合実体と関係抽出モデルを提案する。
論文 参考訳(メタデータ) (2022-03-10T15:09:59Z) - UniRE: A Unified Label Space for Entity Relation Extraction [67.53850477281058]
合同エンティティ関係抽出モデルでは、2つのサブタスクに対して2つの分離ラベル空間を設定する。
この設定は、エンティティとリレーション間の情報相互作用を妨げる可能性があると我々は主張する。
本研究では,2つのサブタスクのラベル空間における異なる処理を除去することを提案する。
論文 参考訳(メタデータ) (2021-07-09T08:09:37Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳(メタデータ) (2020-11-27T06:21:12Z) - TDRE: A Tensor Decomposition Based Approach for Relation Extraction [6.726803950083593]
エンティティペアを非構造化テキストから関係型とともに抽出することは、情報抽出の基本的なサブタスクである。
本稿では,まず,各関係型に富んだ単語対の3次テンソルとして,最終三重項抽出結果をモデル化する。
提案手法は,既存の強いベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-10-15T05:29:34Z) - Cross-Supervised Joint-Event-Extraction with Heterogeneous Information
Networks [61.950353376870154]
Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。
トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。
我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-10-13T11:51:17Z)
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。