論文の概要: SERC: Syntactic and Semantic Sequence based Event Relation Classification

• arxiv url: http://arxiv.org/abs/2111.02265v1
• Date: Wed, 3 Nov 2021 14:58:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 13:11:19.206569
• Title: SERC: Syntactic and Semantic Sequence based Event Relation Classification
• Title（参考訳）: serc:構文的および意味的シーケンスに基づく事象関係分類
• Authors: Kritika Venkatachalam, Raghava Mutharaju, Sumit Bhatia
• Abstract要約: 本稿では,時間的特徴と因果的特徴の両方を組み込んで因果関係の分類を行うモデルを提案する。 テキストから2つの事象間の時間的・因果関係を同定するために,テキストの構文構造を用いる。 LSTMを用いた時間的・因果関係分類モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.922007656878633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal and causal relations play an important role in determining the dependencies between events. Classifying the temporal and causal relations between events has many applications, such as generating event timelines, event summarization, textual entailment and question answering. Temporal and causal relations are closely related and influence each other. So we propose a joint model that incorporates both temporal and causal features to perform causal relation classification. We use the syntactic structure of the text for identifying temporal and causal relations between two events from the text. We extract parts-of-speech tag sequence, dependency tag sequence and word sequence from the text. We propose an LSTM based model for temporal and causal relation classification that captures the interrelations between the three encoded features. Evaluation of our model on four popular datasets yields promising results for temporal and causal relation classification.
• Abstract（参考訳）: 時間的関係と因果関係は、イベント間の依存関係を決定する上で重要な役割を果たす。 イベント間の時間的および因果関係の分類には、イベントタイムラインの生成、イベント要約、テキストの補足、質問応答など、多くの応用がある。 時間的関係と因果関係は密接に関連しており、相互に影響している。 そこで本稿では,時間的特徴と因果的特徴の両方を組み込んで因果関係の分類を行うジョイントモデルを提案する。 テキストから2つの事象間の時間的・因果関係を同定するために,テキストの構文構造を用いる。 テキストから音声タグシーケンス、依存タグシーケンス、単語シーケンスを抽出する。 本稿では,3つの符号化特徴の相互関係を捉える時間的・因果的関係分類のためのlstmモデルを提案する。 4つの一般的なデータセットに対するモデルの評価は、時間的および因果関係の分類に有望な結果をもたらす。

関連論文リスト

• Only One Relation Possible? Modeling the Ambiguity in Event Temporal Relation Extraction [30.319025749352246]
  イベント時間関係抽出(ETRE)は、2つのイベント間の時間的関係を特定することを目的としている。 本稿では, ETRE (METRE) の多ラベル分類法を提案する。 本手法は,textitVagueインスタンスを有効利用して,特定の時間関係の認識を改善する。
  論文  参考訳（メタデータ） (2024-08-14T07:57:51Z)
• TIMELINE: Exhaustive Annotation of Temporal Relations Supporting the Automatic Ordering of Events in News Articles [4.314956204483074]
  本稿では,どの時間的関係にアノテートすべきかに基づいて,その基準を明確に定義する新たなアノテーション手法を提案する。 また、プロセスを自動化する時間的関係(長距離関係を含む)に注釈を付ける方法も提案する。 その結果、新しいデータセットであるTIMELINEコーパスが得られ、アノテーション間の合意が改善された。
  論文  参考訳（メタデータ） (2023-10-26T22:23:38Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間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） (2023-05-28T02:09:08Z)
• Semantic Structure Enhanced Event Causality Identification [57.26259734944247]
  事象因果同定(ECI)は、非構造化テキスト中の事象間の因果関係を特定することを目的としている。 既存の方法は、イベント中心構造とイベント関連構造という、ECIタスクに不可欠な2種類の意味構造を過小評価する。
  論文  参考訳（メタデータ） (2023-05-22T07:42:35Z)
• MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference, Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
  アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。 103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。 実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-14T13:34:49Z)
• Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
  我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。 本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T01:29:02Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
  本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。 具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。 我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
  論文  参考訳（メタデータ） (2020-10-13T22:45:28Z)
• Predicting Event Time by Classifying Sub-Level Temporal Relations Induced from a Unified Representation of Time Anchors [10.67457147373144]
  本稿では,複雑な時間関係をサブレベル関係に分解する効果的な方法を提案する。 我々のアプローチは最先端の意思決定ツリーモデルより優れている。
  論文  参考訳（メタデータ） (2020-08-14T16:30:07Z)

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。