論文の概要: An Effective System for Multi-format Information Extraction
- arxiv url: http://arxiv.org/abs/2108.06957v1
- Date: Mon, 16 Aug 2021 08:25:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 15:28:13.830478
- Title: An Effective System for Multi-format Information Extraction
- Title（参考訳）: マルチフォーマット情報抽出のための効果的なシステム
- Authors: Yaduo Liu, Longhui Zhang, Shujuan Yin, Xiaofeng Zhao, Feiliang Ren
- Abstract要約: 2021年の言語とインテリジェンスチャレンジは、異なる次元からの情報抽出を評価するように設計されている。
本稿では,このマルチフォーマット情報抽出コンペティションタスクのシステムについて述べる。
本システムでは,このマルチフォーマット情報抽出作業において,テストセットのリーダボード上で4位にランクインしている。
- 参考スコア（独自算出の注目度）: 1.027461951217988
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The multi-format information extraction task in the 2021 Language and
Intelligence Challenge is designed to comprehensively evaluate information
extraction from different dimensions. It consists of an multiple slots relation
extraction subtask and two event extraction subtasks that extract events from
both sentence-level and document-level. Here we describe our system for this
multi-format information extraction competition task. Specifically, for the
relation extraction subtask, we convert it to a traditional triple extraction
task and design a voting based method that makes full use of existing models.
For the sentence-level event extraction subtask, we convert it to a NER task
and use a pointer labeling based method for extraction. Furthermore,
considering the annotated trigger information may be helpful for event
extraction, we design an auxiliary trigger recognition model and use the
multi-task learning mechanism to integrate the trigger features into the event
extraction model. For the document-level event extraction subtask, we design an
Encoder-Decoder based method and propose a Transformer-alike decoder.
Finally,our system ranks No.4 on the test set leader-board of this multi-format
information extraction task, and its F1 scores for the subtasks of relation
extraction, event extractions of sentence-level and document-level are 79.887%,
85.179%, and 70.828% respectively. The codes of our model are available at
{https://github.com/neukg/MultiIE}.
- Abstract（参考訳）: 2021年のLanguage and Intelligence Challengeにおけるマルチフォーマット情報抽出タスクは、様々な次元からの情報抽出を包括的に評価するように設計されている。
それは複数のスロット関係抽出サブタスクと、文レベルと文書レベルの両方からイベントを抽出する2つのイベント抽出サブタスクで構成される。
本稿では,このマルチフォーマット情報抽出コンペティションタスクのシステムについて述べる。
具体的には、関係抽出サブタスクに対して、従来の三重抽出タスクに変換し、既存のモデルを完全に活用する投票方式を設計する。
文レベルのイベント抽出サブタスクでは,NERタスクに変換し,ポインタラベルに基づく抽出手法を用いる。
さらに,アノテートされたトリガ情報がイベント抽出に有効であることを考慮し,補助トリガ認識モデルを設計し,マルチタスク学習機構を用いてトリガ機能をイベント抽出モデルに統合する。
文書レベルのイベント抽出サブタスクに対して,Encoder-Decoder ベースの手法を設計し,Transformer のようなデコーダを提案する。
最後に、当社のシステムは、この多形式情報抽出タスクのテストセットリーダボード上で第4位にランク付けし、そのf1スコアは、関係抽出のサブタスク、文レベルのイベント抽出、文書レベルのそれぞれ79.887%、85.179%、70.828%である。
私たちのモデルのコードは、https://github.com/neukg/MultiIE}で利用可能です。
関連論文リスト
- Are Triggers Needed for Document-Level Event Extraction? [16.944314894087075]
我々は,文書レベルのイベント抽出において,より困難で研究の少ない作業に対するトリガーの役割を初めて調査する。
3つの文書レベルのイベント抽出データセットに対して、複数のエンドツーエンドおよびパイプライン化されたニューラルイベント抽出モデルでそれらの有用性を分析する。
我々の研究では、トリガーの有効性は、抽出タスクの特徴とデータ品質によって異なり、基本的で自動生成トリガーは、人間のアノテーションに代えて実行可能な代替品として機能することを示している。
論文 参考訳（メタデータ） (2024-11-13T15:50:38Z) - Automated Few-shot Classification with Instruction-Finetuned Language
Models [76.69064714392165]
我々は、AuT-Fewが最先端の数ショット学習方法より優れていることを示す。
AuT-Few は RAFT few-shot ベンチマークにおいて,データセット間で最高のランク付け手法であることを示す。
論文 参考訳（メタデータ） (2023-05-21T21:50:27Z) - Jointly Learning Span Extraction and Sequence Labeling for Information
Extraction from Business Documents [1.6249267147413522]
本稿では,ビジネス文書の新しい情報抽出モデルを提案する。
これは、スパン抽出とシーケンスラベリングの両方の利点を考慮に入れている。
このモデルは2つのタスクを共同で最適化するために、エンドツーエンドで訓練されている。
論文 参考訳（メタデータ） (2022-05-26T15:37:24Z) - AIFB-WebScience at SemEval-2022 Task 12: Relation Extraction First --
Using Relation Extraction to Identify Entities [0.0]
本稿では,変換器に基づく言語モデルに基づくエンドツーエンドのジョイントエンティティと関係抽出手法を提案する。
実体抽出と関係抽出を連続的に行う既存手法とは対照的に,本システムは関係抽出からの情報を実体抽出に組み込む。
論文 参考訳（メタデータ） (2022-03-10T12:19:44Z) - Joint Multimedia Event Extraction from Video and Article [51.159034070824056]
本稿では,ビデオ記事やテキスト記事からイベントを共同抽出する手法を提案する。
まず,自己教師型マルチモーダルイベントコアモデルを提案する。
第2に、ビデオとテキストの両方から構造化イベント情報を共同で抽出する、最初のマルチモーダルトランスフォーマーを導入する。
論文 参考訳（メタデータ） (2021-09-27T03:22:12Z) - Zero-Shot Information Extraction as a Unified Text-to-Triple Translation [56.01830747416606]
我々は、テキストから3つの翻訳フレームワークに一連の情報抽出タスクを投入した。
タスク固有の入力テキストと出力トリプルの変換としてタスクを形式化する。
本稿では,オープン情報抽出におけるゼロショット性能について検討する。
論文 参考訳（メタデータ） (2021-09-23T06:54:19Z) - Document-Level Event Argument Extraction by Conditional Generation [75.73327502536938]
イベント抽出は、長い間IEコミュニティで文レベルのタスクとして扱われてきた。
タスクを条件生成型イベントテンプレートとして定式化することで,ドキュメントレベルのニューラルイベント引数抽出モデルを提案する。
また、新しいドキュメントレベルのイベント抽出ベンチマークデータセットWikiEventsもコンパイルします。
論文 参考訳（メタデータ） (2021-04-13T03:36:38Z) - IMoJIE: Iterative Memory-Based Joint Open Information Extraction [37.487044478970965]
提案するIMojieはCopyAttentionの拡張であり, 従来抽出した全データに対して次の抽出条件を導出する。
IMoJIEはCopyAttentionを約18F1pt、BERTベースの強力なベースラインを2F1ptで上回る。
論文 参考訳（メタデータ） (2020-05-17T07:04:08Z) - Document-Level Event Role Filler Extraction using Multi-Granularity
Contextualized Encoding [40.13163091122463]
イベントロールフィラーに対応するテキストの幅を決定するために、より大きなコンテキストのビューを必要とするため、イベント抽出は難しいタスクである。
まず、文書レベルのロールフィラー抽出において、エンドツーエンドのニューラルシーケンスモデルがどのように機能するかを検討する。
私たちの最高のシステムは、以前の作業よりもかなり優れたパフォーマンスを示します。
論文 参考訳（メタデータ） (2020-05-13T20:42:17Z) - Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic
Conditional Random Fields [67.51177964010967]
異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。
タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-01T07:11:34Z) - At Which Level Should We Extract? An Empirical Analysis on Extractive
Document Summarization [110.54963847339775]
本研究は,全文を抽出する際,不必要な問題や冗長性が存在することを示す。
選挙区解析木に基づくサブセグメント単位の抽出を提案する。
論文 参考訳（メタデータ） (2020-04-06T13:35:10Z)
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。