論文の概要: Knowledge Graph Enhanced Event Extraction in Financial Documents
- arxiv url: http://arxiv.org/abs/2109.02592v1
- Date: Mon, 6 Sep 2021 16:35:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-07 16:50:29.453867
- Title: Knowledge Graph Enhanced Event Extraction in Financial Documents
- Title(参考訳): 財務文書における知識グラフ強化イベント抽出
- Authors: Kaihao Guo, Tianpei Jiang, Haipeng Zhang
- Abstract要約: 本稿では,知識グラフをグラフニューラルネットワークに埋め込んだ最初のイベント抽出フレームワークを提案する。
中国の金融発表からイベントを抽出するため,本手法はF1スコアにおいて最先端の手法を5.3%向上させる。
- 参考スコア(独自算出の注目度): 0.12891210250935145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event extraction is a classic task in natural language processing with wide
use in handling large amount of yet rapidly growing financial, legal, medical,
and government documents which often contain multiple events with their
elements scattered and mixed across the documents, making the problem much more
difficult. Though the underlying relations between event elements to be
extracted provide helpful contextual information, they are somehow overlooked
in prior studies. We showcase the enhancement to this task brought by utilizing
the knowledge graph that captures entity relations and their attributes. We
propose a first event extraction framework that embeds a knowledge graph
through a Graph Neural Network and integrates the embedding with regular
features, all at document-level. Specifically, for extracting events from
Chinese financial announcements, our method outperforms the state-of-the-art
method by 5.3% in F1-score.
- Abstract(参考訳): イベント抽出は自然言語処理における古典的なタスクであり、急速に成長している金融、法律、医療、政府文書を扱うために広く使われている。
抽出すべきイベント要素間の基礎的な関係は有用なコンテキスト情報を提供するが、以前の研究では見過ごされている。
本稿では、エンティティの関係や属性をキャプチャする知識グラフを活用することにより、このタスクの強化を示す。
本稿では,知識グラフをグラフニューラルネットワークに埋め込んだ最初のイベント抽出フレームワークを提案する。
具体的には、中国の金融発表からイベントを抽出するため、f1-scoreの最先端手法を5.3%上回っている。
関連論文リスト
- Comprehensive Event Representations using Event Knowledge Graphs and
Natural Language Processing [0.0]
この研究は、自然言語処理(NLP)の分野からの発見を利用して、テキストから知識を抽出し、知識グラフを構築する、成長する仕事の体系を利用して構築することを目的としている。
具体的には、サブイベント抽出は、サブイベント認識イベント表現を作成する方法として使用される。
これらの事象表現は、きめ細かい位置抽出を通じて豊かにされ、歴史的に関連する引用のアライメントによって文脈化される。
論文 参考訳(メタデータ) (2023-03-08T18:43:39Z) - TRIE++: Towards End-to-End Information Extraction from Visually Rich
Documents [51.744527199305445]
本稿では,視覚的にリッチな文書からエンド・ツー・エンドの情報抽出フレームワークを提案する。
テキスト読み出しと情報抽出は、よく設計されたマルチモーダルコンテキストブロックを介して互いに強化することができる。
フレームワークはエンドツーエンドのトレーニング可能な方法でトレーニングでき、グローバルな最適化が達成できる。
論文 参考訳(メタデータ) (2022-07-14T08:52:07Z) - CLIP-Event: Connecting Text and Images with Event Structures [123.31452120399827]
視覚言語事前学習モデルを適用したコントラスト学習フレームワークを提案する。
我々は、イベント構造知識を得るために、テキスト情報抽出技術を利用する。
実験により、ゼロショットCLIP-Eventは引数抽出において最先端の教師付きモデルよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-01-13T17:03:57Z) - Timestamping Documents and Beliefs [1.4467794332678539]
文書デートは、文書の時間構造に関する推論を必要とする難しい問題である。
本稿では,グラフ畳み込みネットワーク(GCN)に基づく文書年代測定手法であるNeuralDaterを提案する。
また,注意に基づく文書デートシステムであるAD3: Attentive Deep Document Daterを提案する。
論文 参考訳(メタデータ) (2021-06-09T02:12:18Z) - Big Green at WNUT 2020 Shared Task-1: Relation Extraction as
Contextualized Sequence Classification [2.1574781022415364]
ノイズの多いテキスト環境における既知のエンティティ間の関係とイベントを分類するために,コンテキスト化されたナレッジグラフ補完を用いたシステムを提案する。
濡れた実験室プロトコルのデータセットから関係とイベントを効果的に抽出できることを示す結果を報告します。
論文 参考訳(メタデータ) (2020-12-07T06:38:53Z) - CoLAKE: Contextualized Language and Knowledge Embedding [81.90416952762803]
文脈型言語と知識埋め込み(CoLAKE)を提案する。
CoLAKEは、言語と知識の両方の文脈化された表現を、拡張された目的によって共同で学習する。
知識駆動タスク、知識探索タスク、言語理解タスクについて実験を行う。
論文 参考訳(メタデータ) (2020-10-01T11:39:32Z) - Extracting Summary Knowledge Graphs from Long Documents [48.92130466606231]
本稿では,長い文書から要約された知識グラフを予測する新しいテキスト・ツー・グラフタスクを提案する。
自動アノテーションと人文アノテーションを用いた200k文書/グラフペアのデータセットを開発する。
論文 参考訳(メタデータ) (2020-09-19T04:37:33Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳(メタデータ) (2020-04-30T14:16:19Z) - Exploiting Structured Knowledge in Text via Graph-Guided Representation
Learning [73.0598186896953]
本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。
エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。
既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
論文 参考訳(メタデータ) (2020-04-29T14:22:42Z)
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。