論文の概要: A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction

• arxiv url: http://arxiv.org/abs/2205.09536v1
• Date: Thu, 19 May 2022 13:03:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 14:09:40.558697
• Title: A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction
• Title（参考訳）: 単純かつ効果的な関係情報誘導手法によるマイトショット関係抽出
• Authors: Yang Liu, Jinpeng Hu, Xiang Wan, Tsung-Hui Chang
• Abstract要約: Few-Shot Relation extractは、文中の一対の実体の関係を、各関係にいくつかのラベル付き例で訓練することによって予測することを目的としている。 原型ネットワークに基づくモデル学習を支援するための関係情報を導入した最近の研究もある。 関係情報はモデルにより明確かつ効果的に導入できると論じる。
• 参考スコア（独自算出の注目度）: 22.60428265210431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-Shot Relation Extraction aims at predicting the relation for a pair of entities in a sentence by training with a few labelled examples in each relation. Some recent works have introduced relation information (i.e., relation labels or descriptions) to assist model learning based on Prototype Network. However, most of them constrain the prototypes of each relation class implicitly with relation information, generally through designing complex network structures, like generating hybrid features, combining with contrastive learning or attention networks. We argue that relation information can be introduced more explicitly and effectively into the model. Thus, this paper proposes a direct addition approach to introduce relation information. Specifically, for each relation class, the relation representation is first generated by concatenating two views of relations (i.e., [CLS] token embedding and the mean value of embeddings of all tokens) and then directly added to the original prototype for both train and prediction. Experimental results on the benchmark dataset FewRel 1.0 show significant improvements and achieve comparable results to the state-of-the-art, which demonstrates the effectiveness of our proposed approach. Besides, further analyses verify that the direct addition is a much more effective way to integrate the relation representations and the original prototypes.
• Abstract（参考訳）: 限定的関係抽出は、各関係のいくつかのラベル付き例を訓練することにより、文中の一対のエンティティの関係を予測することを目的としている。 近年,プロトタイプネットワークを用いたモデル学習を支援する関係情報(関係ラベルや記述)が導入されている。 しかし、それらの多くは、関係クラスのプロトタイプを暗黙的に関係情報に制約しており、一般的には、ハイブリッドな特徴の生成や、対照的な学習や注意ネットワークの組み合わせなど、複雑なネットワーク構造を設計している。 関係情報はモデルにより明確かつ効果的に導入できると主張している。 そこで本稿では,関係情報を導入するための直接追加手法を提案する。 具体的には、関係クラスごとに、2つの関係のビュー([cls]トークンの埋め込みとすべてのトークンの埋め込みの平均値)を結合して関係表現を生成し、その後、トレーニングと予測の両方のために元のプロトタイプに直接追加する。 ベンチマークデータセットであるFewRel 1.0の実験結果は、大幅な改善と、提案手法の有効性を示す最先端技術に匹敵する結果が得られた。 さらに、さらなる分析により、直接加算が関係表現と原型を統合するためのより効果的な方法であることを検証した。

関連論文リスト

• 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)
• A Novel Few-Shot Relation Extraction Pipeline Based on Adaptive Prototype Fusion [5.636675879040131]
  Few-shot Relation extract (FSRE) は、わずかに注釈付きインスタンスで学習することで、目に見えない関係を認識することを目的としている。 本稿では,適応型プロトタイプ融合に基づくFSREタスクのための新しいパイプラインを提案する。 ベンチマークデータセットFewRel 1.0の実験では、最先端の手法に対する我々の手法の大幅な改善が示されている。
  論文  参考訳（メタデータ） (2022-10-15T09:44:21Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• Prototypical Representation Learning for Relation Extraction [56.501332067073065]
  本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。 文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。 いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T08:11:43Z)
• 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)
• A Frustratingly Easy Approach for Entity and Relation Extraction [25.797992240847833]
  本稿では,エンティティと関係抽出のための簡単なパイプライン化手法を提案する。 標準ベンチマーク(ACE04、ACE05、SciERC)における新しい最先端技術を確立する。 このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築します。
  論文  参考訳（メタデータ） (2020-10-24T07:14:01Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
  本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。 提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
  論文  参考訳（メタデータ） (2020-09-16T21:14:18Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs [35.842356537926]
  本稿では,文中の一対の実体の関係を,複数のラベル付き例で学習することで予測することを目的とした,少数ショット関係抽出について検討する。 新たな関係をより効果的に一般化するために,本稿では,関係の異なる関係について検討し,グローバル関係グラフを活用することを提案する。
  論文  参考訳（メタデータ） (2020-07-05T17:04:41Z)

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。