論文の概要: A Hierarchical Entity Graph Convolutional Network for Relation Extraction across Documents

• arxiv url: http://arxiv.org/abs/2108.09505v1
• Date: Sat, 21 Aug 2021 12:33:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 07:14:28.322215
• Title: A Hierarchical Entity Graph Convolutional Network for Relation Extraction across Documents
• Title（参考訳）: 文書間の関係抽出のための階層型エンティティグラフ畳み込みネットワーク
• Authors: Tapas Nayak and Hwee Tou Ng
• Abstract要約: 本稿では,関係の2つの実体が2つの異なる文書に現れる文書間関係抽出法を提案する。 このアイデアに従い、各チェーンが正確に2つのドキュメントを含む2つのホップ関係抽出のためのデータセットを作成する。 提案するデータセットは,公開されている文レベルのデータセットよりも高い関係性を示す。
• 参考スコア（独自算出の注目度）: 29.183245395412705
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Distantly supervised datasets for relation extraction mostly focus on sentence-level extraction, and they cover very few relations. In this work, we propose cross-document relation extraction, where the two entities of a relation tuple appear in two different documents that are connected via a chain of common entities. Following this idea, we create a dataset for two-hop relation extraction, where each chain contains exactly two documents. Our proposed dataset covers a higher number of relations than the publicly available sentence-level datasets. We also propose a hierarchical entity graph convolutional network (HEGCN) model for this task that improves performance by 1.1\% F1 score on our two-hop relation extraction dataset, compared to some strong neural baselines.
• Abstract（参考訳）: 関係抽出のための遠方の教師付きデータセットは、主に文レベルの抽出に焦点を当てており、関係性が非常に少ない。 本稿では,関係タプルの2つの実体が,共通実体の連鎖を介して連結された2つの異なる文書に現れるクロスドキュメント関係抽出を提案する。 このアイデアに従い、各チェーンが正確に2つのドキュメントを含む2つのホップ関係抽出のためのデータセットを作成する。 提案するデータセットは,公開可能な文レベルのデータセットよりも高い関係性をカバーする。 また,この課題に対する階層型エンティティグラフ畳み込みネットワーク(HEGCN)モデルを提案する。

関連論文リスト

• Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect Sentiment Triplet Extraction [63.0205418944714]
  Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。 近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。 本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-18T12:46:09Z)
• 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)
• Document-level Relation Extraction with Cross-sentence Reasoning Graph [14.106582119686635]
  関係抽出(RE)は、最近、文レベルから文書レベルに移行した。 GRaph情報集約・クロスセンス推論ネットワーク(GRACR)を用いた新しい文書レベルのREモデルを提案する。 実験結果から,GRACRは文書レベルのREの2つの公開データセットにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-03-07T14:14:12Z)
• ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
  学術論文からN-ary関係を抽出する問題について考察する。 提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-10-26T02:28:02Z)
• Deep Neural Networks for Relation Extraction [3.792085040881007]
  まず2つのエンティティ間の関係を見つけるためのシンタックス中心のマルチファクタアテンションネットワークモデルを提案する。 次に,エンコーダ・デコーダアーキテクチャに基づく2つの関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T07:18:54Z)
• Mention-centered Graph Neural Network for Document-level Relation Extraction [2.724649366608364]
  我々は, 相互関係関係を推定することで, 相互関係を構築する。 実験は、異なる言及間の接続が文書レベルの関係抽出に重要であることを示している。
  論文  参考訳（メタデータ） (2021-03-15T08:19:44Z)
• Coarse-to-Fine Entity Representations for Document-level Relation Extraction [28.39444850200523]
  文書レベルの関係抽出(RE: Document-level Relation extract)は、文内および文間で表現される関係を抽出する必要がある。 最近の研究は、通常文書レベルの相互作用をキャプチャする文書レベルのグラフを構築するグラフベースの手法が有用なエンティティ表現を得ることができることを示している。 粗大な戦略を採用する textbfCoarse-to-textbfFine textbfEntity textbfRepresentation model (textbfCFER) を提案する。
  論文  参考訳（メタデータ） (2020-12-04T10:18:59Z)
• 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)
• Double Graph Based Reasoning for Document-level Relation Extraction [29.19714611415326]
  文書レベルの関係抽出は、文書内のエンティティ間の関係を抽出することを目的としている。 二重グラフを特徴とするグラフ集約と推論ネットワーク(GAIN)を提案する。 公開データセットの実験であるDocREDは、GAINが以前の最先端技術よりも大幅なパフォーマンス改善(2.85 on F1)を達成したことを示している。
  論文  参考訳（メタデータ） (2020-09-29T03:41:01Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。