論文の概要: Multi-Attribute Relation Extraction (MARE) -- Simplifying the
Application of Relation Extraction
- arxiv url: http://arxiv.org/abs/2111.09035v1
- Date: Wed, 17 Nov 2021 11:06:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 19:00:31.556918
- Title: Multi-Attribute Relation Extraction (MARE) -- Simplifying the
Application of Relation Extraction
- Title(参考訳): 複数属性関係抽出(mare) -- 関係抽出の適用を単純化する
- Authors: Lars Kl\"oser, Philipp Kohl, Bodo Kraft, Albert Z\"undorf
- Abstract要約: 自然言語理解の関係抽出は、革新的で奨励的なビジネス概念を可能にする。
現在のアプローチでは、属性として固定数のエンティティと関係を抽出することができる。
2つのアプローチによる仮定レス問題定式化としてマルチ属性関係抽出(MARE)を導入する。
- 参考スコア(独自算出の注目度): 3.1255943277671894
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Natural language understanding's relation extraction makes innovative and
encouraging novel business concepts possible and facilitates new digitilized
decision-making processes. Current approaches allow the extraction of relations
with a fixed number of entities as attributes. Extracting relations with an
arbitrary amount of attributes requires complex systems and costly
relation-trigger annotations to assist these systems. We introduce
multi-attribute relation extraction (MARE) as an assumption-less problem
formulation with two approaches, facilitating an explicit mapping from business
use cases to the data annotations. Avoiding elaborated annotation constraints
simplifies the application of relation extraction approaches. The evaluation
compares our models to current state-of-the-art event extraction and binary
relation extraction methods. Our approaches show improvement compared to these
on the extraction of general multi-attribute relations.
- Abstract(参考訳): 自然言語理解の関連抽出は、新しいビジネス概念を革新的に促進し、新しいデジタル化された意思決定プロセスを促進する。
現在のアプローチでは、属性として固定数のエンティティと関係を抽出することができる。
任意の量の属性との関係を抽出するには、複雑なシステムとコストのかかる関係-トリガーアノテーションが必要である。
ビジネス・ユース・ケースからデータ・アノテーションへの明示的なマッピングを容易にする2つのアプローチによる仮定レス問題定式化としてマルチ属性関係抽出(MARE)を導入する。
厳密なアノテーション制約を避けることは、関係抽出アプローチの適用を単純化する。
評価は,我々のモデルと現在の最先端イベント抽出および二項関係抽出法を比較した。
提案手法は, 一般の多属性関係の抽出に比較して改善が見られた。
関連論文リスト
- Learning to Extract Structured Entities Using Language Models [52.281701191329]
機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。
タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。
我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
論文 参考訳(メタデータ) (2024-02-06T22:15:09Z) - Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。
既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。
本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
論文 参考訳(メタデータ) (2023-12-18T09:58:19Z) - Zero-Shot Dialogue Relation Extraction by Relating Explainable Triggers
and Relation Names [28.441725610692714]
本稿では,トリガを捕捉し,これまで見つからなかった関係名に関連付ける能力を活用する手法を提案する。
ベンチマークのDialogREデータセットを用いた実験により,提案モデルが目視関係と目視関係の両面で有意な改善を達成できることが示された。
論文 参考訳(メタデータ) (2023-06-09T07:10:01Z) - HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised
Relation Extraction [60.80849503639896]
非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文からエンティティ間の関係を抽出することを目的としている。
本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。
2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
論文 参考訳(メタデータ) (2022-05-04T17:56:48Z) - D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。
本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。
約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
論文 参考訳(メタデータ) (2021-09-10T22:30:48Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳(メタデータ) (2020-11-27T06:21:12Z) - Bridging Text and Knowledge with Multi-Prototype Embedding for Few-Shot
Relational Triple Extraction [40.00702385889112]
本稿では,関係三重項の合成を共同で抽出する,新しいマルチプロトタイプ埋め込みネットワークモデルを提案する。
我々は、エンティティとリレーションの両方に関するテキストと知識を橋渡しするハイブリッド学習機構を設計する。
実験により, 提案手法は, 数発トリプル抽出の性能を向上させることができることを示した。
論文 参考訳(メタデータ) (2020-10-30T04:18:39Z) - Relation of the Relations: A New Paradigm of the Relation Extraction
Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。
我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。
実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-05T22:25:27Z) - SelfORE: Self-supervised Relational Feature Learning for Open Relation
Extraction [60.08464995629325]
オープンドメイン関係抽出は、自然言語文からオープンドメイン関係事実を抽出するタスクである。
弱い自己教師型信号を利用する自己教師型フレームワークであるSelfOREを提案する。
3つのデータセットの実験結果は、SelfOREの有効性とロバスト性を示している。
論文 参考訳(メタデータ) (2020-04-06T07:23:17Z) - A logic-based relational learning approach to relation extraction: The
OntoILPER system [0.9176056742068812]
論理に基づく関係学習手法OntoILPERを提案する。
OntoILPERは、例のリッチなリレーショナル表現の利益を享受し、欠点を軽減することができる。
提案手法は統計的手法よりも関係抽出に適していると考えられる。
論文 参考訳(メタデータ) (2020-01-13T12:47:49Z)
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。