論文の概要: Document-Level Event Extraction via Human-Like Reading Process
- arxiv url: http://arxiv.org/abs/2202.03092v1
- Date: Mon, 7 Feb 2022 12:10:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 16:05:44.776094
- Title: Document-Level Event Extraction via Human-Like Reading Process
- Title(参考訳): ヒューマンライクな読解プロセスによる文書レベルイベント抽出
- Authors: Shiyao Cui, Xin Cong, Bowen Yu, Tingwen Liu, Yucheng Wang, Jinqiao Shi
- Abstract要約: ドキュメントレベルのイベント抽出(DEE)は、特にトリッキーである。
本稿では,DeEを大まかな読解と精巧な読解の2段階に分解するHRE法を提案する。
実験結果は,HREが先行競合法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 14.530050659066383
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Document-level Event Extraction (DEE) is particularly tricky due to the two
challenges it poses: scattering-arguments and multi-events. The first challenge
means that arguments of one event record could reside in different sentences in
the document, while the second one reflects one document may simultaneously
contain multiple such event records. Motivated by humans' reading cognitive to
extract information of interests, in this paper, we propose a method called HRE
(Human Reading inspired Extractor for Document Events), where DEE is decomposed
into these two iterative stages, rough reading and elaborate reading.
Specifically, the first stage browses the document to detect the occurrence of
events, and the second stage serves to extract specific event arguments. For
each concrete event role, elaborate reading hierarchically works from sentences
to characters to locate arguments across sentences, thus the
scattering-arguments problem is tackled. Meanwhile, rough reading is explored
in a multi-round manner to discover undetected events, thus the multi-events
problem is handled. Experiment results show the superiority of HRE over prior
competitive methods.
- Abstract(参考訳): ドキュメントレベルのイベント抽出(dee: document-level event extraction)は特に難しい。
第1の課題は、1つのイベントレコードの議論がドキュメント内の異なる文に収まることを意味し、第2の議論は1つのドキュメントを反映している。
本稿では,人間の読解認知に動機づけられて興味情報を抽出する手法として,hre(human reading inspired extractor for document events)を提案する。
具体的には、第1段階が文書を閲覧してイベントの発生を検知し、第2段階が特定のイベント引数を抽出する。
各具体的イベントロールに対して、精巧な読み上げは文から文字へ階層的に働き、文間での議論を見つけるため、散乱問題に取り組む。
一方、未検出事象を検出するために、大まかな読み出しを多層的に探索し、マルチイベント問題を処理する。
実験結果は,HREが先行競合法よりも優れていることを示す。
関連論文リスト
- MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding
Dataset with Event Argument Annotation [107.41719717693199]
MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。
EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
論文 参考訳(メタデータ) (2023-11-15T16:52:14Z) - From Simple to Complex: A Progressive Framework for Document-level
Informative Argument Extraction [34.37013964529546]
イベント引数抽出(EAE)は、単一のドキュメントから複数のイベントの引数を抽出するモデルを必要とする。
文書レベルEAEのための簡易・複雑プログレッシブフレームワークを提案する。
提案手法は,F1 において SOTA を 1.4% 上回る性能を示し,EAE タスクにおいて有用であることを示す。
論文 参考訳(メタデータ) (2023-10-25T04:38:02Z) - Type-aware Decoding via Explicitly Aggregating Event Information for
Document-level Event Extraction [11.432496741340334]
ドキュメントレベルのイベント抽出は2つの大きな課題に直面している。
本稿では,これらの制約に対処する新規な Explicitly Aggregating(SEA) モデルを提案する。
SEAはイベント情報をイベントタイプとロール表現に集約し、特定の型認識表現に基づいてイベントレコードのデコードを可能にする。
論文 参考訳(メタデータ) (2023-10-16T15:10:42Z) - Unifying Event Detection and Captioning as Sequence Generation via
Pre-Training [53.613265415703815]
本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。
我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
論文 参考訳(メタデータ) (2022-07-18T14:18:13Z) - EA$^2$E: Improving Consistency with Event Awareness for Document-Level
Argument Extraction [52.43978926985928]
本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。
WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
論文 参考訳(メタデータ) (2022-05-30T04:33:51Z) - Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit
Argument Relations [70.35379323231241]
本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。
我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。
実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2021-06-23T13:24:39Z) - ESTER: A Machine Reading Comprehension Dataset for Event Semantic
Relation Reasoning [49.795767003586235]
イベントセマンティックリレーション推論のための包括的な機械学習理解データセットESTERを紹介します。
もっともよく使われるイベント意味関係を5つ検討し、質問応答タスクとして定式化します。
実験の結果、現在のSOTAシステムは、イベントベースF1、トークンベースF1、HIT@1スコアそれぞれ60.5%、57.8%、76.3%を達成した。
論文 参考訳(メタデータ) (2021-04-16T19:59:26Z) - Document-level Event Extraction with Efficient End-to-end Learning of
Cross-event Dependencies [37.96254956540803]
本稿では,構造化予測アルゴリズムであるDeep Value Networks (DVN) を利用したエンドツーエンドモデルを提案する。
提案手法はACE05上でのCRFモデルに匹敵する性能を達成し,計算効率は極めて高い。
論文 参考訳(メタデータ) (2020-10-24T05:28:16Z) - "What Are You Trying to Do?" Semantic Typing of Event Processes [94.3499255880101]
本稿では,認知に動機づけられたセマンティックタイピングタスク,多軸イベントプロセスタイピングについて検討する。
我々は60k以上のイベントプロセスを含む大規模なデータセットを開発し、アクションとオブジェクトタイプの軸の両方に極細粒度のタイピングを特徴とする。
本稿では,Glosses1からの間接的監視によるタイピング問題に対処するハイブリッド学習フレームワークP2GTと,共同学習からランクへのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-13T22:37:29Z)
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。