論文の概要: A Novel Global Feature-Oriented Relational Triple Extraction Model based
on Table Filling
- arxiv url: http://arxiv.org/abs/2109.06705v1
- Date: Tue, 14 Sep 2021 14:13:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 15:56:48.785574
- Title: A Novel Global Feature-Oriented Relational Triple Extraction Model based
on Table Filling
- Title（参考訳）: テーブルフィリングに基づく新しいグローバル特徴指向関係三重項抽出モデル
- Authors: Feiliang Ren, Longhui Zhang, Shujuan Yin, Xiaofeng Zhao, Shilei Liu,
Bochao Li, Yaduo Liu
- Abstract要約: 本稿では,2種類のグローバルアソシエーションをフル活用したグローバルな特徴指向トリプル抽出モデルを提案する。
実験により,本モデルの有効性が示され,これらすべてのデータセットに対して最先端の結果が得られた。
- 参考スコア（独自算出の注目度）: 1.6295073821494463
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Table filling based relational triple extraction methods are attracting
growing research interests due to their promising performance and their
abilities on extracting triples from complex sentences. However, this kind of
methods are far from their full potential because most of them only focus on
using local features but ignore the global associations of relations and of
token pairs, which increases the possibility of overlooking some important
information during triple extraction. To overcome this deficiency, we propose a
global feature-oriented triple extraction model that makes full use of the
mentioned two kinds of global associations. Specifically, we first generate a
table feature for each relation. Then two kinds of global associations are
mined from the generated table features. Next, the mined global associations
are integrated into the table feature of each relation. This
"generate-mine-integrate" process is performed multiple times so that the table
feature of each relation is refined step by step. Finally, each relation's
table is filled based on its refined table feature, and all triples linked to
this relation are extracted based on its filled table. We evaluate the proposed
model on three benchmark datasets. Experimental results show our model is
effective and it achieves state-of-the-art results on all of these datasets.
The source code of our work is available at: https://github.com/neukg/GRTE.
- Abstract（参考訳）: テーブルフィリングに基づくリレーショナルトリプル抽出法は,その有望な性能と複雑な文からトリプルを抽出する能力により,研究の関心が高まりつつある。
しかし、これらの手法は局所的な特徴のみに焦点をあてるだけでなく、関係性やトークンペアのグローバルな関連性を無視しているため、トリプル抽出時に重要な情報を見渡す可能性が高まるため、その可能性には程遠い。
この欠点を克服するために, 上記2種類のグローバルアソシエーションをフル活用したグローバルな特徴指向トリプル抽出モデルを提案する。
具体的には、まず各関係のテーブル機能を生成します。
次に、生成された表の特徴から2種類のグローバルアソシエーションを抽出する。
次に、採掘されたグローバルアソシエーションを各関係の表の特徴に統合する。
この「生成マイン積分」処理は、各関係の表の特徴を段階的に洗練するように複数回行われる。
最後に、各関係表は、精巧なテーブル特徴に基づいて満たされ、この関係に関連付けられた全てのトリプルは、その充足テーブルに基づいて抽出される。
提案モデルを3つのベンチマークデータセットで評価した。
実験の結果,本モデルの有効性が示され,これらすべてのデータセットで最新の結果が得られた。
私たちの仕事のソースコードは、https://github.com/neukg/grte.com/で閲覧できます。
関連論文リスト
- RTF: Region-based Table Filling Method for Relational Triple Extraction [17.267920424291372]
本稿では,知識グラフからトリプルを抽出する領域ベースのテーブルフィリング手法を提案する。
そこで我々は,各トリプルを関係特化テーブル上の領域とみなし,各領域の2つのエンドポイントを決定することで3つを識別する,新しい領域ベースのタグ付け手法と双方向デコーディング戦略を考案した。
提案手法は,2つの広く使用されているベンチマークデータセットの3変種に対して,より優れた一般化を実現することを示す実験結果を得た。
論文 参考訳（メタデータ） (2024-04-29T23:36:38Z) - A Bi-consolidating Model for Joint Relational Triple Extraction [3.972061685570092]
リレーショナルトリプルを抽出する現在の手法は、エンティティ認識に依存することなく、生文の可能なエンティティペアに基づいて直接予測を行う。
このタスクは、複数の関係三重項が文中に1つまたは2つの実体を共有するという深刻な意味的重なり合う問題に悩まされる。
関係三重関係に関連する局所的・大域的意味的特徴を同時に強化することにより、この問題に対処するバイコンソリデーションモデルを提案する。
論文 参考訳（メタデータ） (2024-04-05T04:04:23Z) - 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) - Relational Deep Learning: Graph Representation Learning on Relational
Databases [69.7008152388055]
複数のテーブルにまたがって配置されたデータを学ぶために、エンドツーエンドの表現アプローチを導入する。
メッセージパッシンググラフニューラルネットワークは、自動的にグラフを学習して、すべてのデータ入力を活用する表現を抽出する。
論文 参考訳（メタデータ） (2023-12-07T18:51:41Z) - A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。
既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。
テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
論文 参考訳（メタデータ） (2022-11-18T03:51:28Z) - 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) - A Hierarchical Entity Graph Convolutional Network for Relation
Extraction across Documents [29.183245395412705]
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。
論文 参考訳（メタデータ） (2021-08-21T12:33:50Z) - PRGC: Potential Relation and Global Correspondence Based Joint
Relational Triple Extraction [23.998135821388203]
我々は、ポテンシャル関係と大域対応(PRGC)に基づく連立三重抽出フレームワークを提案する。
PRGCは、より効率のよい公開ベンチマークで最先端のパフォーマンスを実現し、重複するトリプルの複雑なシナリオで一貫したパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2021-06-18T03:38:07Z) - TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。
カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
論文 参考訳（メタデータ） (2021-02-17T02:18:10Z) - HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。
実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。
さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
論文 参考訳（メタデータ） (2020-08-28T18:58:15Z)
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。