論文の概要: Trigger-GNN: A Trigger-Based Graph Neural Network for Nested Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2204.05518v1
• Date: Tue, 12 Apr 2022 04:15:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 01:19:53.079879
• Title: Trigger-GNN: A Trigger-Based Graph Neural Network for Nested Named Entity Recognition
• Title（参考訳）: Trigger-GNN: ネストした名前付きエンティティ認識のためのトリガーベースグラフニューラルネットワーク
• Authors: Yuan Sui, Fanyang Bu, Yingting Hu, Wei Yan, and Liang Zhang
• Abstract要約: ネストしたNERを利用するトリガーベースグラフニューラルネットワーク(Trigger-GNN)を提案する。 エンティティトリガーエンコーディングとセマンティックマッチングを通じて補完的なアノテーション埋め込みを得る。 モデルはより効率的に、費用対効果で学習し、一般化するのに役立ちます。
• 参考スコア（独自算出の注目度）: 5.9049664765234295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nested named entity recognition (NER) aims to identify the entity boundaries and recognize categories of the named entities in a complex hierarchical sentence. Some works have been done using character-level, word-level, or lexicon-level based models. However, such researches ignore the role of the complementary annotations. In this paper, we propose a trigger-based graph neural network (Trigger-GNN) to leverage the nested NER. It obtains the complementary annotation embeddings through entity trigger encoding and semantic matching, and tackle nested entity utilizing an efficient graph message passing architecture, aggregation-update mode. We posit that using entity triggers as external annotations can add in complementary supervision signals on the whole sentences. It helps the model to learn and generalize more efficiently and cost-effectively. Experiments show that the Trigger-GNN consistently outperforms the baselines on four public NER datasets, and it can effectively alleviate the nested NER.
• Abstract（参考訳）: nested named entity recognition(ner)は、エンティティ境界を特定し、複雑な階層文内の名前付きエンティティのカテゴリを認識することを目的としている。 いくつかの作品は文字レベル、単語レベル、語彙レベルモデルを用いて行われている。 しかし、このような研究は補足的注釈の役割を無視している。 本稿では,ネストしたNERを利用するトリガベースグラフニューラルネットワーク(Trigger-GNN)を提案する。 エンティティトリガエンコーディングとセマンティクスマッチングを通じて補完的なアノテーション埋め込みを取得し、効率的なグラフメッセージパッシングアーキテクチャであるアグリゲーション更新モードを利用してネストされたエンティティに取り組む。 我々は、エンティティトリガを外部アノテーションとして使用することで、文全体に補完的な監視信号を加えることができると仮定する。 モデルがより効率的に、費用効率良く学習し、一般化するのに役立ちます。 実験によると、Trigger-GNNは4つのパブリックNERデータセットのベースラインを一貫して上回り、ネストしたNERを効果的に緩和することができる。

関連論文リスト

• Composited-Nested-Learning with Data Augmentation for Nested Named Entity Recognition [5.188242370198818]
  Nested Named Entity Recognition (NNER)は、重複したエンティティ認識に対処することに焦点を当てている。 データ拡張は、アノテートされたコーパスの不足に対処するための効果的なアプローチである。 ネストワードとネストラベルを組み合わせてネストしたエンティティをモデル化する複合-ネスト-ラベル分類法(CNLC)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:46:18Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Gaussian Prior Reinforcement Learning for Nested Named Entity Recognition [52.46740830977898]
  GPRLと呼ばれる新しいSeq2seqモデルを提案し、ネストしたNERタスクをエンティティ三重項列生成プロセスとして定式化する。 3つのネストされたNERデータセットの実験では、GPRLが以前のネストされたNERモデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-12T05:55:34Z)
• Type-supervised sequence labeling based on the heterogeneous star graph for named entity recognition [6.25916397918329]
  本稿では,テキストノードとタイプノードを含む異種星グラフの表現学習について述べる。 モデルは、グラフ内のノードを更新した後、タイプ管理シーケンスラベリングを実行する。 NERデータセットの公開実験により、フラットなエンティティとネストされたエンティティの両方を抽出する際のモデルの有効性が明らかとなった。
  論文  参考訳（メタデータ） (2022-10-19T01:40:06Z)
• Optimizing Bi-Encoder for Named Entity Recognition via Contrastive Learning [80.36076044023581]
  名前付きエンティティ認識(NER)のための効率的なバイエンコーダフレームワークを提案する。 我々はNERを、エンティティ参照のベクトル表現とその型との類似性を最大化する計量学習問題とみなす。 NERのこのバイエンコーダの定式化における大きな課題は、エンティティの言及から非エンゲージスを分離することにある。
  論文  参考訳（メタデータ） (2022-08-30T23:19:04Z)
• An Embarrassingly Easy but Strong Baseline for Nested Named Entity Recognition [55.080101447586635]
  スコア行列の空間関係をモデル化するために,コナールニューラルネットワーク(CNN)を提案する。 提案手法は, 事前学習したエンコーダと同一の手法である。
  論文  参考訳（メタデータ） (2022-08-09T04:33:46Z)
• Graph Ordering Attention Networks [22.468776559433614]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。 近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
  論文  参考訳（メタデータ） (2022-04-11T18:13:19Z)
• AutoTriggER: Label-Efficient and Robust Named Entity Recognition with Auxiliary Trigger Extraction [54.20039200180071]
  我々は,エンティティトリガの自動生成と活用によるNER性能向上のための新しいフレームワークを提案する。 筆者らのフレームワークは,ポストホックな説明を活用して合理的な知識を生成し,埋め込み手法を用いてモデルの事前知識を強化する。 AutoTriggERは強力なラベル効率を示し、目に見えないエンティティを一般化し、RoBERTa-CRFベースラインを平均0.5F1ポイント上回る性能を持つ。
  論文  参考訳（メタデータ） (2021-09-10T08:11:56Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Named Entity Recognition without Labelled Data: A Weak Supervision Approach [23.05371427663683]
  本稿では,ラベル付きデータがない場合のNERモデルの学習方法を提案する。 このアプローチは、ターゲットドメインからテキストを自動的にアノテートするために、幅広いラベリング関数に依存している。 シーケンスラベリングモデルは、最終的にこの統一アノテーションに基づいて訓練することができる。
  論文  参考訳（メタデータ） (2020-04-30T12:29:55Z)
• TriggerNER: Learning with Entity Triggers as Explanations for Named Entity Recognition [42.984048204280676]
  我々は、NERモデルのラベル効率の学習を容易にするために、人間による説明の効果的なプロキシである「エンタリティトリガー」を導入する。 私たちは2つのよく研究されたNERデータセットに対して、14kエンティティトリガをクラウドソースしました。 提案モデルであるTrigger Matching Networkは,自己注意によるトリガー表現とソフトマッチングモジュールを共同で学習する。
  論文  参考訳（メタデータ） (2020-04-16T07:27:43Z)

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。