論文の概要: A Graph Enhanced BERT Model for Event Prediction

• arxiv url: http://arxiv.org/abs/2205.10822v1
• Date: Sun, 22 May 2022 13:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 00:09:46.003575
• Title: A Graph Enhanced BERT Model for Event Prediction
• Title（参考訳）: イベント予測のためのグラフ強化BERTモデル
• Authors: Li Du, Xiao Ding, Yue Zhang, Kai Xiong, Ting Liu, Bing Qin
• Abstract要約: BERTモデルを用いたイベントグラフの自動構築について検討する。 我々は、トレーニングプロセスにおけるイベント接続を予測するために、追加の構造化変数をBERTに組み込んだ。 シナリオイベント予測とストーリー終了予測という2つのイベント予測タスクの結果は,我々のアプローチが最先端のベースライン手法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 35.02248467245135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the subsequent event for an existing event context is an important but challenging task, as it requires understanding the underlying relationship between events. Previous methods propose to retrieve relational features from event graph to enhance the modeling of event correlation. However, the sparsity of event graph may restrict the acquisition of relevant graph information, and hence influence the model performance. To address this issue, we consider automatically building of event graph using a BERT model. To this end, we incorporate an additional structured variable into BERT to learn to predict the event connections in the training process. Hence, in the test process, the connection relationship for unseen events can be predicted by the structured variable. Results on two event prediction tasks: script event prediction and story ending prediction, show that our approach can outperform state-of-the-art baseline methods.
• Abstract（参考訳）: イベント間の基盤となる関係を理解する必要があるため、既存のイベントコンテキストに対するその後のイベントの予測は重要だが難しい作業である。 これまでの手法では、イベント相関のモデリングを強化するために、イベントグラフからリレーショナル特徴を取得することを提案する。 しかし、イベントグラフの空間性は関連するグラフ情報の取得を制限するため、モデルの性能に影響を与える可能性がある。 この問題に対処するために,BERTモデルを用いたイベントグラフの自動構築を検討する。 この目的のために、トレーニングプロセスにおけるイベント接続を予測するために、BERTに追加の構造化変数を組み込む。 したがって、テストプロセスでは、未検出のイベントの関連関係を構造化変数によって予測することができる。 スクリプトイベント予測とストーリーエンド予測という2つのイベント予測タスクの結果は、我々のアプローチが最先端のベースラインメソッドを上回ることを示している。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Event Prediction using Case-Based Reasoning over Knowledge Graphs [18.273523056138]
  ケースベース推論モデルであるEvCBRを導入し,新しい事象の特性を予測する。 ここでは、第1ホップが原因事象と新しい効果事象を結びつける因果関係であり、第2ホップは予測したい新しい事象に関する特性である。 本手法の有効性は,Wikidataからキュレートされた因果関係を持つニュース価値のあるイベントの新たなデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-09-21T18:46:29Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• A Generative Approach for Script Event Prediction via Contrastive Fine-tuning [35.87615178251874]
  Scriptイベント予測は、コンテキストが与えられた後続のイベントを予測することを目的としている。 近年の研究では,事前学習言語モデルと外部知識の導入により,事象相関推論の改善が試みられている。 本稿では,事前学習した言語モデルをイベント中心の事前学習目的で微調整する,新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2022-12-07T07:32:47Z)
• 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)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Future is not One-dimensional: Graph Modeling based Complex Event Schema Induction for Event Prediction [90.75260063651763]
  本稿では、イベント、引数、時間的接続、引数関係を含むグラフベースのスキーマ表現であるテンポラル複合イベントの概念を紹介する。 イベントグラフを伴う6,399のドキュメントを含む新しいスキーマ学習コーパスをリリースし,手動でゴールドスキーマを構築した。
  論文  参考訳（メタデータ） (2021-04-13T16:41:05Z)
• 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)

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。