論文の概要: Learning Logic Rules for Document-level Relation Extraction
- arxiv url: http://arxiv.org/abs/2111.05407v1
- Date: Tue, 9 Nov 2021 20:32:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 02:41:03.059054
- Title: Learning Logic Rules for Document-level Relation Extraction
- Title(参考訳): 文書レベル関係抽出のための論理ルールの学習
- Authors: Dongyu Ru and Changzhi Sun and Jiangtao Feng and Lin Qiu and Hao Zhou
and Weinan Zhang and Yong Yu and Lei Li
- Abstract要約: 学習論理規則による文書レベルの関係抽出のための新しい確率モデルであるLogiREを提案する。
LogiREはロジックルールを潜在変数として扱い、ルールジェネレータと関係抽出器という2つのモジュールから構成される。
ニューラルネットワークにロジックルールを導入することで、LogiREは長距離依存関係を明示的にキャプチャし、解釈を良くすることができる。
- 参考スコア(独自算出の注目度): 41.442030707813636
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Document-level relation extraction aims to identify relations between
entities in a whole document. Prior efforts to capture long-range dependencies
have relied heavily on implicitly powerful representations learned through
(graph) neural networks, which makes the model less transparent. To tackle this
challenge, in this paper, we propose LogiRE, a novel probabilistic model for
document-level relation extraction by learning logic rules. LogiRE treats logic
rules as latent variables and consists of two modules: a rule generator and a
relation extractor. The rule generator is to generate logic rules potentially
contributing to final predictions, and the relation extractor outputs final
predictions based on the generated logic rules. Those two modules can be
efficiently optimized with the expectation-maximization (EM) algorithm. By
introducing logic rules into neural networks, LogiRE can explicitly capture
long-range dependencies as well as enjoy better interpretation. Empirical
results show that LogiRE significantly outperforms several strong baselines in
terms of relation performance (1.8 F1 score) and logical consistency (over 3.3
logic score). Our code is available at https://github.com/rudongyu/LogiRE.
- Abstract(参考訳): ドキュメントレベルの関係抽出は、ドキュメント全体のエンティティ間の関係を識別することを目的としている。
それまでは、(グラフ)ニューラルネットワークを通じて学習された暗黙の強力な表現に大きく依存していたため、モデルの透明性が損なわれた。
本稿では,この課題に対処するために,論理ルールの学習による文書レベルの関係抽出のための新しい確率モデルであるLogiREを提案する。
LogiREはロジックルールを潜在変数として扱い、ルールジェネレータと関係抽出器という2つのモジュールで構成される。
ルール生成器は、最終予測に潜在的に寄与する論理ルールを生成し、関係抽出器は、生成された論理ルールに基づいて最終予測を出力する。
これらの2つのモジュールは、期待最大化(EM)アルゴリズムで効率的に最適化できる。
ニューラルネットワークにロジックルールを導入することで、LogiREは長距離依存関係を明示的にキャプチャし、解釈を良くすることができる。
実証的な結果から、LogiREは関係性能(1.8 F1スコア)と論理一貫性(3.3論理スコア以上)において、いくつかの強いベースラインを著しく上回っている。
私たちのコードはhttps://github.com/rudongyu/logireで利用可能です。
関連論文リスト
- Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。
しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。
本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-18T03:38:51Z) - LINC: A Neurosymbolic Approach for Logical Reasoning by Combining
Language Models with First-Order Logic Provers [60.009969929857704]
論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。
本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。
我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
論文 参考訳(メタデータ) (2023-10-23T17:58:40Z) - ChatRule: Mining Logical Rules with Large Language Models for Knowledge
Graph Reasoning [107.61997887260056]
そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。
具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。
生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
論文 参考訳(メタデータ) (2023-09-04T11:38:02Z) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳(メタデータ) (2023-06-21T07:34:27Z) - RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
本稿では知識グラフに基づく推論のための論理規則の学習について研究する。
論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。
既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
論文 参考訳(メタデータ) (2020-10-08T14:47:02Z)
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。