論文の概要: Corpus-based Open-Domain Event Type Induction

• arxiv url: http://arxiv.org/abs/2109.03322v1
• Date: Tue, 7 Sep 2021 20:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 13:52:10.265214
• Title: Corpus-based Open-Domain Event Type Induction
• Title（参考訳）: コーパスに基づくオープンドメインイベント型インダクション
• Authors: Jiaming Shen, Yunyi Zhang, Heng Ji, Jiawei Han
• Abstract要約: 本研究では,コーパスに基づくオープンドメインイベント型誘導手法を提案する。 それぞれのイベントタイプを、述語感覚、オブジェクトヘッダーのペアのクラスタとして表現します。 我々の実験は、異なるドメインから得られた3つのデータセットに基づいて、健全で高品質なイベントタイプを見つけることができることを示す。
• 参考スコア（独自算出の注目度）: 78.76531329136708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional event extraction methods require predefined event types and their corresponding annotations to learn event extractors. These prerequisites are often hard to be satisfied in real-world applications. This work presents a corpus-based open-domain event type induction method that automatically discovers a set of event types from a given corpus. As events of the same type could be expressed in multiple ways, we propose to represent each event type as a cluster of <predicate sense, object head> pairs. Specifically, our method (1) selects salient predicates and object heads, (2) disambiguates predicate senses using only a verb sense dictionary, and (3) obtains event types by jointly embedding and clustering <predicate sense, object head> pairs in a latent spherical space. Our experiments, on three datasets from different domains, show our method can discover salient and high-quality event types, according to both automatic and human evaluations.
• Abstract（参考訳）: 従来のイベント抽出メソッドでは、イベント抽出子を学ぶために、事前定義されたイベントタイプとそのアノテーションが必要である。 これらの前提条件はしばしば実世界のアプリケーションでは満足できない。 本稿では、与えられたコーパスからイベントタイプの集合を自動的に発見するコーパスベースのオープンドメインイベント型誘導手法を提案する。 同じタイプのイベントを複数の方法で表現できるので、各イベントタイプを<predicate sense, object head>ペアのクラスタとして表現することを提案する。 具体的には,(1)有能な述語とオブジェクトヘッドを選択し,(2)動詞センス辞書のみを用いて述語感覚を曖昧にし,(3)潜在球面空間において<述語感覚,オブジェクトヘッド>ペアを共同で埋め込み,クラスタリングすることによってイベントタイプを取得する。 提案手法は,異なる領域の3つのデータセットを用いて,自動評価と人間評価の両方により,高度かつ高品質なイベントタイプを発見できることを示す。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Zero- and Few-Shot Event Detection via Prompt-Based Meta Learning [45.3385722995475]
  ゼロおよび少数ショットイベント検出のためのメタ学習ベースのフレームワークであるMetaEventを提案する。 本フレームワークでは,クローゼをベースとしたプロンプトとトリガ対応ソフトを用いて,未知のイベントタイプに効率的に出力を投影する手法を提案する。 そのため、提案されたMetaEventは、事前の知識なしに、機能とイベントタイプをマッピングすることで、ゼロショットイベント検出を実行することができる。
  論文  参考訳（メタデータ） (2023-05-27T05:36:46Z)
• Rich Event Modeling for Script Event Prediction [60.67635412135682]
  スクリプトイベント予測のためのリッチイベント予測(REP)フレームワークを提案する。 REPは、テキストからそのような情報を抽出するイベント抽出器を含む。 予測器の中核となるコンポーネントは、任意の数の引数を柔軟に扱う変換器ベースのイベントエンコーダである。
  論文  参考訳（メタデータ） (2022-12-16T05:17:59Z)
• Semantic Pivoting Model for Effective Event Detection [19.205550116466604]
  Event Detectionは、構造化されていない記事からイベントインスタンスの参照を識別し、分類することを目的としている。 イベント検出の既存のテクニックは、イベントタイプクラスを表現するために、均質な1ホットベクトルのみを使用しており、型の意味がタスクにとって重要であるという事実を無視している。 本稿では,学習中の事前情報を明示的に組み込んで,入力とイベント間の意味的に意味のある相関関係を捉えるセマンティック・ピロリング・モデル(SPEED)を提案する。
  論文  参考訳（メタデータ） (2022-11-01T19:20:34Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding [51.57864297948228]
  本稿では,自然言語クエリとしてイベントタイプと引数ロールを取り入れた新しいイベント抽出フレームワークを提案する。 我々のフレームワークは、イベントタイプや引数ロールと入力テキストとのセマンティックな相関をよりよく捉えるための注意機構の恩恵を受ける。
  論文  参考訳（メタデータ） (2021-10-14T15:49:40Z)
• Unsupervised Label-aware Event Trigger and Argument Classification [73.86358632937372]
  まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。 事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。 我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
  論文  参考訳（メタデータ） (2020-12-30T17:47:24Z)

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。