論文の概要: A Simple but Effective Bidirectional Extraction Framework for Relational
Triple Extraction
- arxiv url: http://arxiv.org/abs/2112.04940v1
- Date: Thu, 9 Dec 2021 14:17:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-10 14:21:04.959958
- Title: A Simple but Effective Bidirectional Extraction Framework for Relational
Triple Extraction
- Title(参考訳): リレーショナルトリプル抽出のための単純かつ効果的な双方向抽出フレームワーク
- Authors: Feiliang Ren, Longhui Zhang, Xiaofeng Zhao, Shujuan Yin, Shilei Liu,
Bochao Li
- Abstract要約: 近年,タグに基づくリレーショナルトリプル抽出手法が研究の注目を集めている。
これらの手法の多くは、まず全ての対象を抽出し、抽出された対象に基づいて対象と関係を同時に抽出する一方向抽出の枠組みを採っている。
この枠組みには、被験者の抽出結果に敏感すぎるという明らかな欠陥がある。
2つの相補的な方向から抽出されたエンティティペアに基づいて三重項を抽出する双方向抽出フレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.9926500244448218
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Tagging based relational triple extraction methods are attracting growing
research attention recently. However, most of these methods take a
unidirectional extraction framework that first extracts all subjects and then
extracts objects and relations simultaneously based on the subjects extracted.
This framework has an obvious deficiency that it is too sensitive to the
extraction results of subjects. To overcome this deficiency, we propose a
bidirectional extraction framework based method that extracts triples based on
the entity pairs extracted from two complementary directions. Concretely, we
first extract all possible subject-object pairs from two paralleled directions.
These two extraction directions are connected by a shared encoder component,
thus the extraction features from one direction can flow to another direction
and vice versa. By this way, the extractions of two directions can boost and
complement each other. Next, we assign all possible relations for each entity
pair by a biaffine model. During training, we observe that the share structure
will lead to a convergence rate inconsistency issue which is harmful to
performance. So we propose a share-aware learning mechanism to address it. We
evaluate the proposed model on multiple benchmark datasets. Extensive
experimental results show that the proposed model is very effective and it
achieves state-of-the-art results on all of these datasets. Moreover,
experiments show that both the proposed bidirectional extraction framework and
the share-aware learning mechanism have good adaptability and can be used to
improve the performance of other tagging based methods. The source code of our
work is available at: https://github.com/neukg/BiRTE .
- Abstract(参考訳): 近年,タグに基づくリレーショナルトリプル抽出手法が研究の注目を集めている。
しかし,これらの手法の多くは,まず全対象を抽出し,抽出対象に基づいて対象と関係を同時に抽出する一方向抽出の枠組みを採っている。
この枠組みには、被験者の抽出結果に敏感すぎるという明らかな欠陥がある。
この欠点を克服するために,2つの相補的な方向から抽出されたエンティティペアに基づいて三重項を抽出する双方向抽出フレームワークを提案する。
具体的には、2つの平行方向から全ての対象物対を抽出する。
これら2つの抽出方向は共有エンコーダコンポーネントによって接続されるため、一方の方向からの抽出特徴は他方の方向に流れることができ、逆もまた可能である。
このようにして、2つの方向の抽出は相互に促進し補完することができる。
次に、各エンティティペアの可能なすべての関係をバフィンモデルで割り当てる。
トレーニング中、共有構造が、パフォーマンスに有害な収束率の不整合問題につながることを観察する。
そこで我々は,それに対応する共有学習機構を提案する。
提案したモデルを複数のベンチマークデータセット上で評価する。
大規模な実験結果から,提案モデルは非常に有効であり,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。
さらに,提案する双方向抽出フレームワークと共有認識学習機構の両方が適応性が高く,他のタグ付けベース手法の性能向上に利用できることを示す実験を行った。
私たちの作業のソースコードは、https://github.com/neukg/BiRTE .comで公開されています。
関連論文リスト
- 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) - Span-level Bidirectional Cross-attention Framework for Aspect Sentiment
Triplet Extraction [10.522014946035664]
Aspect Sentiment Triplet extract (ASTE)は、アスペクト項、感情、意見項の三つ子をレビュー文から抽出することを目的とした、新しいきめ細かい感情分析タスクである。
本稿では,ASTEのための双方向双方向多目的フレームワークを提案する。
我々のフレームワークは最先端の手法よりも優れており、マルチトークンエンティティを用いた三重項予測の性能が向上している。
論文 参考訳(メタデータ) (2022-04-27T02:55:43Z) - OneRel:Joint Entity and Relation Extraction with One Module in One Step [42.576188878294886]
統合エンティティと関係抽出は自然言語処理と知識グラフ構築において不可欠な課題である。
そこで我々は, 結合抽出を細粒度三重分類問題として用いた, OneRel という新しい結合実体と関係抽出モデルを提案する。
論文 参考訳(メタデータ) (2022-03-10T15:09:59Z) - Light Field Saliency Detection with Dual Local Graph Learning
andReciprocative Guidance [148.9832328803202]
我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。
我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
論文 参考訳(メタデータ) (2021-10-02T00:54:39Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳(メタデータ) (2021-09-24T17:37:35Z) - 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) - Assessing Data Efficiency in Task-Oriented Semantic Parsing [54.87705549021248]
我々は、ある品質バーを達成するのに、ドメイン内の「ターゲット」データがどれだけ必要であるかを近似した4段階のプロトコルを導入する。
我々は,タスク指向セマンティック解析の実践者に対して,その柔軟性と適用性を示す実世界の2つのケーススタディに適用する。
論文 参考訳(メタデータ) (2021-07-10T02:43:16Z) - Effective Cascade Dual-Decoder Model for Joint Entity and Relation
Extraction [1.2891210250935146]
テキストからリレーショナルトリプルを抽出することは知識グラフ構築の基本的な課題である。
重なり合う三重項を抽出する効果的なカスケード二重復号器手法を提案する。
論文 参考訳(メタデータ) (2021-06-27T07:42:05Z) - Eider: Evidence-enhanced Document-level Relation Extraction [56.71004595444816]
文書レベルの関係抽出(DocRE)は、文書内のエンティティペア間の意味関係を抽出することを目的としている。
本稿では,共同関係と証拠抽出,エビデンス中心関係抽出(RE),抽出結果の融合からなる3段階のエビデンス強化DocREフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-16T09:43:16Z) - Adjacency List Oriented Relational Fact Extraction via Adaptive
Multi-task Learning [24.77542721790553]
本稿では,すべての事実抽出モデルをグラフ指向分析の観点から整理可能であることを示す。
この分析枠組みに基づいて,効率的なモデルaDjacency lIst oRientational faCT(Direct)を提案する。
論文 参考訳(メタデータ) (2021-06-03T02:57:08Z) - A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis [9.587513675287829]
アスペクトベースの感情分析は、アスペクト項抽出、意見項抽出、アスペクトレベルの感情分類の3つの基本的なサブタスクを含む。
以前のアプローチでは、すべてのサブタスクを統一されたエンドツーエンドフレームワークで解決できなかった。
パラメータ共有による2つのBERT-MRCモデルの共同トレーニングにより、2つの機械読解問題を構築し、すべてのサブタスクを解決します。
論文 参考訳(メタデータ) (2021-01-04T07:47:53Z)
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。