論文の概要: Scientific and Technological Text Knowledge Extraction Method of based on Word Mixing and GRU

• arxiv url: http://arxiv.org/abs/2203.17079v1
• Date: Thu, 31 Mar 2022 14:52:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 13:20:45.852607
• Title: Scientific and Technological Text Knowledge Extraction Method of based on Word Mixing and GRU
• Title（参考訳）: 単語混合とGRUに基づく科学的・技術的テキスト知識抽出法
• Authors: Suyu Ouyang and Yingxia Shao and Junping Du and Ang Li
• Abstract要約: 知識抽出タスクは 構造化されていないテキストデータから 3つの関係を抽出する。 ピペリン」とは、名前付きエンティティ認識とエンティティ関係抽出を分離する手法である。 結合抽出(Joint extract)とは、ニューラルネットワークによって実装され、エンティティ認識と関係抽出を実現するためのエンド・ツー・エンドモデルである。
• 参考スコア（独自算出の注目度）: 25.00844482891488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The knowledge extraction task is to extract triple relations (head entity-relation-tail entity) from unstructured text data. The existing knowledge extraction methods are divided into "pipeline" method and joint extraction method. The "pipeline" method is to separate named entity recognition and entity relationship extraction and use their own modules to extract them. Although this method has better flexibility, the training speed is slow. The learning model of joint extraction is an end-to-end model implemented by neural network to realize entity recognition and relationship extraction at the same time, which can well preserve the association between entities and relationships, and convert the joint extraction of entities and relationships into a sequence annotation problem. In this paper, we propose a knowledge extraction method for scientific and technological resources based on word mixture and GRU, combined with word mixture vector mapping method and self-attention mechanism, to effectively improve the effect of text relationship extraction for Chinese scientific and technological resources.
• Abstract（参考訳）: 知識抽出タスクは、構造化されていないテキストデータからトリプルリレーション(ヘッドエンティティ-リレーション-テールエンティティ)を抽出する。 既存の知識抽出方法は「パイプライン法」と「ジョイント抽出法」に分けられる。 パイプライン」メソッドは、名前付きエンティティ認識とエンティティ関係抽出を分離し、それらを抽出するのに独自のモジュールを使用する。 この方法は柔軟性が向上するが、訓練速度は遅い。 協調抽出の学習モデルは、エンティティ認識と関係抽出を同時に実現するためにニューラルネットワークによって実装されたエンドツーエンドモデルであり、エンティティと関係の関係をよく保存し、エンティティと関係の協調抽出をシーケンスアノテーション問題に変換することができる。 本稿では, 単語混合とGRUに基づく科学技術資源の知識抽出手法と, 単語混合ベクトルマッピング法と自己認識機構を組み合わせることで, 中国語の科学・技術資源に対するテキスト関係抽出の効果を効果的に向上する。

関連論文リスト

• Comparative Analysis of Contextual Relation Extraction based on Deep Learning Models [0.0]
  バイオメディカル産業におけるドメイン知識の創出には, 効率的かつ正確なCREシステムが必要である。 深層学習技術は、複数の文からコンテキストに基づいて適切な意味関係を識別するために用いられてきた。 本稿では,関係抽出に使用される様々な深層学習モデルの解析について述べる。
  論文  参考訳（メタデータ） (2023-09-13T09:05:09Z)
• CARE: Co-Attention Network for Joint Entity and Relation Extraction [0.0]
  本稿では,共同エンティティと関係抽出のためのコ・アテンション・ネットワークを提案する。 提案手法では,サブタスク毎に異なる表現を学習するための並列符号化方式を採用する。 このアプローチのコアとなるのは,2つのサブタスク間の双方向のインタラクションをキャプチャするコアテンションモジュールです。
  論文  参考訳（メタデータ） (2023-08-24T03:40:54Z)
• Knowledge-Enhanced Hierarchical Information Correlation Learning for Multi-Modal Rumor Detection [82.94413676131545]
  マルチモーダルなうわさ検出のための知識強化型階層型情報相関学習手法(KhiCL)を提案する。 KhiCLは異質な一様性特徴を共通特徴空間に伝達するために、クロスモーダルな関節辞書を利用する。 画像やテキストから視覚的およびテキスト的実体を抽出し、知識関連推論戦略を設計する。
  論文  参考訳（メタデータ） (2023-06-28T06:08:20Z)
• HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
  本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。 重要な洞察は、単語ペア間の複雑な関連を活用することである。 実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
  論文  参考訳（メタデータ） (2023-05-07T14:57:42Z)
• Knowledge-Enhanced Relation Extraction Dataset [8.612433805862619]
  現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。 知識強化関係抽出データセット(KERED)について紹介する。 KEREDは各文にリレーショナルな事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。
  論文  参考訳（メタデータ） (2022-10-19T13:23:10Z)
• Towards Relation Extraction From Speech [56.36416922396724]
  本稿では,新たな聴取情報抽出タスク,すなわち音声関係抽出を提案する。 本研究では,音声合成システムによる音声関係抽出のための訓練データセットを構築し,英語母語話者によるクラウドソーシングによるテストデータセットを構築した。 我々は,音声関係抽出における課題を識別するための包括的実験を行い,今後の探索に光を当てる可能性がある。
  論文  参考訳（メタデータ） (2022-10-17T05:53:49Z)
• 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)
• Techniques for Jointly Extracting Entities and Relations: A Survey [31.759798455009253]
  伝統的に、関係抽出は「パイプライン」の方法で実体抽出後に行われる。 共同実行エンティティと関係抽出は、両方のタスクに有益であることが観察された。
  論文  参考訳（メタデータ） (2021-03-10T15:18:24Z)
• Cross-Supervised Joint-Event-Extraction with Heterogeneous Information Networks [61.950353376870154]
  Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。 トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。 我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-10-13T11:51:17Z)
• Relabel the Noise: Joint Extraction of Entities and Relations via Cooperative Multiagents [52.55119217982361]
  協調型マルチエージェント群を用いて,雑音の多いインスタンスを処理するための共同抽出手法を提案する。 ノイズの多いインスタンスをきめ細かな方法で処理するために、協調グループの各エージェントは、自身の視点で連続的な信頼スコアを算出してインスタンスを評価する。 信頼度コンセンサスモジュールは、すべてのエージェントの知恵を収集し、信頼度ラベル付きラベルでノイズの多いトレーニングセットを再分割するように設計されている。
  論文  参考訳（メタデータ） (2020-04-21T12:03:04Z)

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。